Değişken tesis büyüklükleri ve doluluk oranları altında üretim hücresi oluşturma yöntemlerinin kural tabanlı karşılaştırması

Abstract

Bağlam— Günümüz dünyasında rekabetçilik için tasarım yeteneklerine ek olarak üretim teknolojisi, hız ve maliyetler de son derece önemlidir. Daha hızlı ve daha düşük maliyetli üretim, bu bağlamda işletmelere önemli avantajlar sunmaktadır. Bunu başarmanın en basit yollarından biri, üretim süreçlerinde malzeme taşıma maliyetlerini en aza indiren ve üretim hızını artıran hücresel üretim kararlarıdır. Yalın üretimin temel unsurlarından biri olan hücresel üretim alanında, hücre oluşturma için çok sayıda yöntem mevcuttur. Bu yöntemler kullanılarak hücreler belirlenirken, hangi hücre oluşturma yönteminin hangi koşullar altında daha verimli olduğu sorusu yeterince araştırılmamıştır. Bu boşluk, daha fazla karşılaştırmalı çalışmanın özgünlüğünü vurgulamaktadır. Bunu ele almak için, mevcut çalışma, üretim hücreleri oluşturulurken her tesis boyutu ve doluluk oranı kombinasyonu için beş rastgele makine-parça ilişki matrisi iterasyonu yaparak, değişen koşullar altında hangi yöntemin daha etkili olduğunu araştırmıştır. Amaç— Bu araştırma, seçilen üç farklı hücre oluşturma yönteminden hangisinin üç farklı tesis boyutu ve üç ayrı hücre doluluk oranı altında daha iyi performans gösterdiğini, her varyasyon için beş rastgele iterasyon kullanarak belirlemeyi amaçlamaktadır. Bu amaç, çalışmanın, birden fazla operasyonel ortamda algoritmik performansı sistematik olarak karşılaştırmaya yönelik yeni yaklaşımını yansıtmaktadır. Yöntem— Tüm matris işlemleri ve hesaplamaları için MS Excel program fonksiyonları kullanılmıştır. Bu hesaplamalar, %30, %45 ve %60 hücre doluluk oranları ve küçük, orta ve büyük ölçekli tesisleri temsil etmek üzere 10*10, 15*15 ve 20*20 boyutlarındaki üretim tesisleri için King algoritması (ROC), Doğrudan kümeleme analizi (DCA) ve Bond enerji algoritması (BEA) kullanılarak yapılmıştır; bu algoritmalar Excel'in yerleşik komutlarını kullanmak için de uygundur. Bu çalışma için özel olarak tanımlanan hücre oluşturma kurallarına dayanarak, her kombinasyon için tüm üretim hücreleri, belirlenen kurallar ve sezgisel yöntemler kullanılarak oluşturulmuş, daha sonra normalize edilmiş ve ağırlıklı hücre puanları buna göre hesaplanmıştır. Bu yapılandırılmış puanlama ve hücre oluşturma prosedürü, literatüre ek metodolojik yenilik katmaktadır. Sonuçlar— Toplam dokuz varyasyondan beşinde King algoritması, üçünde DCA algoritması ve yalnızca birinde BEA algoritması en iyi sonucu vermiştir. Bu sonuçlara göre, King algoritması genel olarak tüm tesis büyüklükleri ve doluluk oranlarında çok iyi performans göstermiştir. DCA, özellikle düşük doluluk oranlarında olmak üzere, tüm tesis büyüklüklerinde iyi performans göstermiştir. BEA, diğer iki yönteme göre nispeten daha düşük performans göstermekte olup, grup teknolojisinde (GT) genellikle tercih edilmemelidir. Bu bulgular, tesis koşullarına göre algoritma seçimini yönlendirerek imalat mühendisleri ve yöneticileri için pratik bir katkı sağlamaktadır. Sonuç— Sonuç olarak, özel bir koşul aksini gerektirmediği sürece, fabrika büyüklüğü veya doluluk oranından bağımsız olarak King algoritması, malzeme taşıma maliyetlerini en aza indiren yalın imalatın önemli bir unsuru olan hücresel üretim karar verme için tercih edilen hücre oluşturma yöntemi gibi görünmektedir.

Keywords

• Hücresel üretim (CM)
• Grup teknolojisi (GT)
• King (ROC) algoritması
• Doğrudan kümeleme analizi (DCA)
• Bağ enerjisi algoritması (BEA)
• Yalın üretim

Supporting Institution

Yoktur.

Project Number

Yoktur.

Ethical Statement

Herhangi bir kişi/kuruluşla çıkar çatışması bulunmamaktadır. Bu makale için etik kurul onayı gerekmemektedir.

Rule-based comparison of manufacturing cell formation methods under varying plant sizes and occupancy rates

Abstract

Context— In addition to design capabilities, production technology, speed, and costs are also extremely important for competitiveness in today's world. Faster and lower-cost production offers significant advantages to enterprises in this context. One of the simplest ways to achieve this is through cellular manufacturing decisions that can minimize material handling costs and increase production speed during production processes. In the field of cellular manufacturing, one of the key elements of lean production, numerous methods exist for cell formation. While cells are identified using these methods, the question of which cell formation method is more efficient under which conditions has not been sufficiently researched. This gap highlights the novelty of further comparative studies. To address this, the present study explored which method is more effective under varying conditions by conducting five random machine–part incidence matrix iterations for each plant size and occupancy rate combination when forming manufacturing cells. Objective— This research aims to determine which of three selected cell formation methods performs better under three plant sizes and three cell occupancy rates, using five random iterations per variation. This objective reflects the study’s novel approach to systematically comparing algorithmic performance across multiple operational environments. Method— MS Excel program functions were used for all matrix operations and calculations for 30%, 45%, and 60% cell occupancy rates and for production plants with sizes of 10*10, 15*15, and 20*20 to represent small, medium and large size plants, using King algorithm (ROC), Direct clustering analysis (DCA), and Bond energy algorithm (BEA) which are also suitable for using Excel's built-in commands. Based on cell formation rules specifically defined for this study, all manufacturing cells were formed for each combination using the rules set forth and heuristics, then normalized and then weighted cell scores were calculated accordingly. This structured scoring and formation procedure contributes additional methodological novelty to the literature. Results— Out of a total of nine variations, the King algorithm yielded the best result in five, the DCA algorithm in three, and the BEA algorithm in only one case. According to these results, the King algorithm performed very well in general across all plant sizes and occupancy rates. The DCA performed well across all plant sizes, particularly at low occupancy rates. The BEA shows a relatively lower performance than the other two methods and should normally not be preferred in group technology (GT). These findings provide a practical contribution to manufacturing engineers and managers by guiding algorithm selection according to plant conditions. Conclusion— In conclusion, unless a specific condition requires otherwise, the King algorithm—regardless of factory size or occupancy rate—appears to be the preferred cell formation method for cellular manufacturing decision making, a key element of lean manufacturing that minimizes material handling costs.

Keywords

• Cellular manufacturing (CM)
• Group technology (GT)
• King (ROC) algorithm
• Direct clustering analysis (DCA)
• Bond energy algorithm (BEA)
• Lean production

Supporting Institution

None

Project Number

Yoktur.

Ethical Statement

There is no conflict of interest with any person/organization. Ethics committee approval is not required for this article.

References

1. [1] T. Lamb, “Group technology in shipbuilding”, Journal of Ship Production, 4(1), 30–50, 1988, https://doi.org/10.5957/jsp.1988.4.1.30.
2. [2] O. Kulak, S. I. Satoglu, M. B. Durmusoglu, “Multi-attribute material handling equipment selection using information axiom”, The Third International Conference on Axiomatic Design, Seoul, China, 21-24 June, 2004.
3. [3] M. Murugan, V. Selladurai, “Optimization and implementation of cellular manufacturing system in a pump industry using three cell formation algorithms”, The International Journal of Advanced Manufacturing Technology, 35(1-2), 135-149, 2007, https://doi.org/10.1007/s00170-006-0710-4.
4. [4] M. Imran, C. Kang, Y. H. Lee, M. Jahanzaib, H. Aziz, “Cell formation in a cellular manufacturing system using simulation integrated hybrid genetic algorithm”, Computers & Industrial Engineering, 105, 123-135, 2017, https://doi.org/10.1016/j.cie.2016.12.028.
5. [5] C. H. Bozkurt, Y. Çınar, B. Kayayurt, B. Sevinçli, Ş. O. Tamer, A. D. Usluoğlu, M. S. Aktürk, “Tepe Mobilya’da hücresel üretimle teslimat sürelerinin kısaltılması”, Endüstri Mühendisliği Dergisi, 17(3), 16-30, 2006. http://hdl.handle.net/11693/54604.
6. [6] İ. Erozan, “Mevcut atölye tipi üretim sisteminin tasarlanacak bir hücresel imalat sistemi ile karşılaştırılması ve çok amaçlı bir model”, Doktora Tezi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, Türkiye, 2014.
7. [7] B. Erenay, G. A. Suer, J. Huang, S. Maddisetty, “Comparison of layered cellular manufacturing system design approaches”, Computers & Industrial Engineering, 85, 346-358, 2015, https://doi.org/10.1016/j.cie.2015.02.021.
8. [8] P. K. Giri, S. K. Moulick, “Comparison of cell formation techniques in cellular manufacturing using three cell formation algorithms”, International Journal of Engineering Research and Applications, 6(1), 98-101, 2016.

9. [9] Ö. Öztürk, “Bir otomobil fabrikasının şanzuman üretim bölümü için hücresel üretim sistemi önerisi”, Anadolu Üniversitesi Sosyal Bilimler Dergisi, 13(4),77–99, 2013.
10. [10] A. İşlier, “Cellular manufacturing systems: Organization, trends and innovative methods”, Alphanumeric Journal, 3(2), 13–26, 2015, https://doi.org/10.17093/aj.2015.3.2.5000140019.
11. [11] M. Mohammadi, K. Forghani, “A novel approach for considering layout problem in cellular manufacturing systems with alternative processing routings and subcontracting approach,” Applied Mathematical Modelling, 38(14), 3624-3640, 2014, https://doi.org/10.1016/j.apm.2013.11.058.
12. [12] E. R. Hosseinabad, M. A. U. Zaman, “A brief review on cellular manufacturing and group technology”, Research Journal of Management Reviews, 5(1), 1-20, 2020.
13. [13] Y. Can, “Otomotiv Sanayinde Hücresel Üretim Sisteminde Sac Parça Üretim Periyoduna Etki Eden Faktörler ve Üretim Zamanı Modellemesi”, Avrupa Bilim ve Teknoloji Dergisi, 21, 247-260, 2021, https://doi.org/10.31590/ejosat.818089.
14. [14] V. D. R. Kanchu, C. Aggala, “Development and testing of a novel cell formation technique utilizing sheep flock heredity algorithm using Java application,” 2025 3rd International Conference on Inventive Computing and Informatics-ICICI-Annual, Bangalore, India, 04-06 June 2025, 928–934. https://doi.org/10.1109/ICICI65870.2025.11069773.
15. [15] E. Akhüseyin, “Hücresel imalat sistemlerinin simülasyonu: Bir otomotiv yan sanayi işletmesinde uygulama,” Yüksek Lisans Tezi, Konya Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Konya, Türkiye, 2019.
16. [16] H. Güner, A. R. Güner, “Bir tekstil atölyesinde hücresel imalata geçiş uygulaması”, Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, 27(1), 453–466, 2022. https://doi.org/10.17482/uumfd.950545.
17. [17] Y. Gökşen, S. Erdem, “Hücresel Üretim Sisteminde Makine Parça Ailelerinin Oluşturulmasında Dengeli Talep-Kapasite ve Dengesiz Talep-Kapasite Durumunun Analizi”, Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 18(2), 99–111, 2016. https://izlik.org/JA65DC59AE.
18. [18] B. Beyhan, “Hücresel Üretim Sistemlerinde Çifte Kaynak Kısıtları Altında Sistem Performansını İyileştirme”, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye, 2006.
19. [19] M. Özkırım, M. B. Durmuşoğlu, “Dışsal rota esnekliğine sahip hücresel üretim sistemlerinin benzetim analizi”, İTÜ Dergisi D: Mühendislik, 6(2), 41–52, 2007.
20. [20] S. A. Torabi, A. S. Amiri, “A possibilistic approach for designing hybrid cellular manufacturing systems”, International Journal of Production Research, 50(15), 4090–4104, 2012, https://doi.org/10.1080/00207543.2011.590827.
21. [21] T. Ghosh, P. K. Dan, “Effective clustering method for Group technology problems: A short communication”, e-Journal of Science & Technology (e-JST), 6(4), 23-28, 2011.
22. [22] I. E. Utkina, M. V. Batsyn, E. K. Batsyna, “A branch-and-bound algorithm for the cell formation problem”, International Journal of Production Research, 56(9), 3262–3273, 2018, https://doi.org/10.1080/00207543.2018.1444811.
23. [23] M. Kutte, K. Valase, “Comparison of hierarchical clustering methods in machine cell formation: a case study”, International Journal of Current Engineering and Technology, 5(2), 1039–1045, 2015, https://ijcet.evegenis.org/index.php/ijcet/article/view/2463.
24. [24] S. Yozgat, E. Atmaca, “Bir Mobilya Fabrikasında Hücre Tasarımı ve Hücre Etkinliğinin Belirlenmesi”, Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 377-390, 2018. https://izlik.org/JA87EK72UD.
25. [25] Ö. F. Yılmaz, “Sanal Hücresel Üretim Sistemi İçin Üretim Kontrol Sisteminin Belirlenmesi”, Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji, 6(3), 644-658, 2018. https://doi.org/10.29109/gujsc.397467.
26. [26] H. Sharifi, M. Nagahisarchoghaei, M. Nagahi, R. Jaradat, I. Mahdavi, J. Rezaeian, M. M. Paydar, “A genetic algorithm for designing an integrated cellular manufacturing system considering a linear double-row layout”, International Journal of Manufacturing Research. 17(4), 341–363, 2022. https://doi.org/10.1504/IJMR.2022.127088.
27. [27] R. YounesSinaki, A. Sadeghi, H. Mosadegh, N. Almasarwah, G. Suer, “Cellular manufacturing design 1996–2021: a review and introduction to applications of Industry 4.0”, International Journal of Production Research, 61(16), 5585–5636, 2023. https://doi.org/10.1080/00207543.2022.2105763.
28. [28] R. Motahari, Z. Alavifar, A. Z. Andaryan, M. Chipulu, M. Saberi, “A multi-objective linear programming model for scheduling part families and designing a group layout in cellular manufacturing systems”, Computers & Operations Research, 151, 106090, 2023, https://doi.org/10.1016/j.cor.2022.106090.
29. [29] D. Li, L. Zheng, “Optimizing information flow in manufacturing operations management through Lean–Industry 4.0 integration”, Engineering Management Journal, 2025, https://doi.org/10.1080/10429247.2025.2510224.
30. [30] J. Miltenburg, W. Zhang, “A comparative evaluation of nine well known algorithms for solving the cell formation problem in group technology”, Journal of Operations Management, 10(1), 44–72, 1991. http://dx.doi.org/10.1016/0272-6963(91)90035-V.
31. [31] C. -H. Chu, M. Tsai, “A comparison of three array-based clustering techniques for manufacturing cell formation”, International Journal of Production Research, 28(8), 1417–1433, 1990. https://doi.org/10.1080/00207549008942802.
32. [32] G. Nagaraj, A. Manimaran, S. Rakesh, S. Abuthahir, P. Scholar, K. Paramasamy, “Comparison of Matrix Clustering Methods to Design Cell Formation”, International Journal of Applied Engineering Research, 10(28), 21900–21904, 2015.
33. [33] A. B. Thakare, N. R. Rajhans, “A cellular Layout Selection Model By Using A Rank Order Cluster Method”, First International Conference on Advanced Materials, Manufacturing, and Industrial Engineering - AMMIE 2023, VIT Chennai, India, 23-24 March 2023,