Siparişlerin gecikme tahmini için veri madenciliğine dayalı gerçek zamanlı bir sistem tasarımı ve uygulaması

Yıl 2020, Cilt: 35 Sayı: 2, 709 - 724, 25.12.2019

Ahmet Kürşad Türker , Adem Göleç , Adnan Aktepe , Süleyman Ersöz , Mümtaz İpek , Gültekin Çağıl

https://doi.org/10.17341/gazimmfd.478648

Cited By: 1

Öz

Atölye tipi üretim sistemlerinde
sürekli gelen siparişler, sahip oldukları iş rotasına göre iş merkezlerine
atanarak işlemleri yapılarak üretimi gerçekleşmektedir. Üretim yönetimi
açısından farklı rotalı ürün çeşitliliği ve iş merkezleri sayısının artmasıyla
ortaya çıkan karmaşık ve dinamik yapının gerçek zamanlı izlenmesiyle tespit
edilen sistemin durumuna göre alınacak kararlar daha da önemli hale
getirmektedir. Dördüncü Sanayi Devrimi ile birlikte bilişim teknolojileri endüstride
etkin ve etkili olarak kullanılmaya başlanmıştır. Endüstri 4.0 getirdiklerinden
olan nesnelerin interneti aracılığıyla birbirleri arasında iletişim kurma
özelliğine sahip üretim araçlarındaki sensörlerden elde edilen gerçek zamanlı
sisteme ait büyük miktarda veri elde edilmektedir. Bu çalışmada, öncelikle iş
merkezlerinde bulunan sensörler vasıtasıyla otomatik olarak gerçek zamanlı
sisteme ait veri toplayabilen bir üretim sistemin ARENA® ile benzetim modeli
oluşturulmuş ve uygun çalışma şartları belirlenmiştir. Sonrasında iş
merkezlerine iş yükleme stratejileri siparişlerdeki gecikmelere göre mukayese
edilmiştir. Bulunan en iyi iş yükleme stratejisi üç farklı talep hızında ARENA
benzetim modeli çalıştırılmış siparişlerin gecikme durumları ve sistemdeki iş
merkezlerinin durumu ile ilgili veriler elde edilmiştir. Elde edilen veriler veri
madenciliği sınıflama algoritmaları ile değerlendirilerek geciken işler ile
ilgili kurallar belirlenmiştir. Bu kurallar ARENA benzetim modelline eklenerek
sistemden elde edilen gerçek zamanlı verilere göre gecikme ihtimali yüksek olan
işler tahmin edilip dış kaynak kullanımı kararını verecek bir karar destek
sistemin söz konusu olduğu geliştirilen bir yaklaşım ile geciken sipariş adedi daha
da azaltılmıştır.  

Anahtar Kelimeler

Endüstri 4.0, Atölye tipi üretim, Benzetim, Dinamik çizelgeleme, Veri madenciliği, Dış kaynak kullanımı

Kaynakça

• [1] Türker A.K., Ersöz O.Ö., "Üretim Planlama ve Kontrolün Atölye Yükü ile Eşzamanlı Gerçekleştirilmesi", MANAS Journal of Social Studies, Vol.: 5 No: 5, 2016.
• [2] Elhüseyni, M., Hipotetik Bir Tekstil Atölyesinin Dinamik Çizelgelenmesinde Yollama Kurallarının Benzetim Tekniğiyle Analizi. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul, Türkiye, 2012.
• [3] Azadeh, A., Negahban, A. ve Moghaddam, M., “A hybrid computer simulation-artificial neural network algorithm for optimisation of dispatching rule selection in stochastic job shop scheduling problems”, International Journal of Production Research, Cilt 50, No 2, 551–566, 2012.
• [4] Larsen, R. ve Marco, P., “A framework for dynamic rescheduling problems”, International Journal of Production Research, 1-18, 2018.
• [5] Kusiak A., "Smart Manufacturing", Int J of Prod Reseacrh, Vol: 56, Issue: 1-2, 508-517, 2018.
• [6] L. Li, Z. Sun, J. Ni, et al., Data-based scheduling framework and adaptive dispatchingrule of complex manufacturing systems, Int. J. Adv. Manuf. Tech. 66, (9), 1891–1905, 2013.
• [7] Türker A.K. vd. Rfıd Teknolojisi Entegreli Otomatik Taşıma Sistemi İle Parçaların Atölye İçerisinde Otomatize Rotalanması Ve Atölye Kontrolünün Gerçekleştirilmesi, KKU-BAP Projesi, Kırıkkale, 2018.
• [8] Cheng ,Ying, Chen, Ken, Sun, Hemeng, Zhang, Yongping, Tao, Fe, "Data and knowledge mining with big data towards smart production", J of Ind Inf Integration, Volume 9, Pages 1-13, 2018.
• [9] Banks J., Carson J. S., Nelson B. L., Nicol D. M. Discrete-Event System Simulation. Printice Hall 3rd Edition, 2001.
• [10] Law A. M., Kelton W. D. Simulation Modeling and Analysis. McGraw-Hill, International Editions, 2nd Edition., 1991.
• [11] Koruca H.İ., Özdemir G., Aydemir E., Çayırlı M., "Bir simülasyon Yazılımı için Esnek İş Akış Planı Editörü Geliştirilmesi ve İşlemlerin Gantt Şemasında Çizelgelenmesi", Gazi Üniv. Müh. Mim. Fak. Der., Cilt 25, No 1, 77-81, 2010.
• [12] Eguchi, T., Oba, F. ve Hirai, T., “A neural network approach to dynamic job shop scheduling”, Global Production Management, Cilt 24, 152-159, 1999.
• [13] Aydın, M. E. ve Öztemel, E., “Dynamic job-shop scheduling using reinforcement learning agents”, Robotics and Autonomous Systems, Cilt 33, 169-178, 2000.
• [14] İpek, M., Dinamik Atölye Çizelgelemede Yapay Sinir Ağı ile Teslim Tarihi Belirlenmesi, Doktora Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Sakarya, 2007.
• [15] Göçken, M., A Simulated Based Approach to Develop New Approaches for “Due Date Assignment” and “Job Release” in Multi-Stage Job Shops, Doktora Tezi, Gaziantep Üniversitesi, Fen Bilimleri Enstitüsü, Gaziantep, 2007.
• [16] Ismail, R., Zalinda, O. ve Azuraliza, A. B., “Data Mining In Production Planning and Scheduling: A Review”, 2nd Conference on Data Mining and Optimization, Selangor, Malaysia, 154-159, 27-28 October 2009.
• [17] Zhou, R., Nee, A. Y. C. ve Lee, H. P., “Performance of an ant colony optimisation algorithm in dynamic job shop scheduling problems”, International Journal of Production Research, Cilt 47, No 11, 2903–2920, 2009.
• [18] Metan, G., Sabuncuoğlu, İ. ve Pierreval, H., “Real time selection of scheduling rules and knowledge extraction via dynamically controlled data mining”, International Journal of Production Research, Cilt 48, No 23, 6909–6938, 2010.
• [19] Sharma, P. ve Jain, A., “Analysis of dispatching rules in a stochastic dynamic job shop manufacturing system with sequence-dependent setup times”, Frontiers of Mechanical Engineering, Cilt 9, No 4, 380–389, 2014.
• [20] Sharma, P. ve Jain, A., “New setup-oriented dispatching rules for a stochastic dynamic job shop manufacturing system with sequence-dependent setup times”, Concurrent Engineering: Research and Applications, Cilt 24, No 1, 58-68, 2016.
• [21] Zhong, R. Y., Huang, G. Q., Dai, Q. Y. ve Zhang, T., “Mining SOTs and dispatching rules from RFID-enabled real-time shopfloor production data”, J Intell Manuf, Cilt 25, 825–843, 2014.
• [22] Karacan, İ., Data Mining For Simulation Input Modeling, Master Tezi, Turkish Naval Academy, İstanbul, 2014.
• [23] Kulkarni, K. ve Venkateswaran, J., “Hybrid approach using simulation-based optimisation for job shop scheduling problems”, Journal of Simulation, Cilt 9, No 4, 312-324, 2015.
• [24] Kück, M., Ehm, J., Freitag, M., Frazzon, E. M. ve Ricardo, P., “A Data-Driven Simulation-Based Optimisation Approach for Adaptive Scheduling and Control of Dynamic Manufacturing Systems”, Advanced Materials Research, Cilt 1140, 449-456, 2016.
• [25] Ersöz S., Türker A.K., Aktepe A. ve diğerleri. Üretim Süreçlerinin Optimizasyonunda RFID Teknolojisi ve Uzman Sistem Temelli Tümleşik Yapının ERP Sistemine Entegrasyonu ve FNSS Savunma Sistemleri A.Ş.’de Uygulanması. SAN-TEZ Projesi Sonuç Raporu, 2016.
• [26] Bierwirth, C. ve Kuhpfahl, J., “Extended GRASP for the job shop scheduling problem with total weighted tardiness objective”, European Journal of Operational Research, Cilt 261, 835-848, 2017.
• [27] Xiong, H., Fan, H., Jiang, G. ve Li, G., “A simulation-based study of dispatching rules in a dynamic job shop scheduling problem with batch release and extended technical precedence constraints”, European Journal of Operational Research, Cilt 257, 13-24, 2017.
• [28] Rossit, D. A., Tohme, F. ve Frutos, M., “Industry 4.0: Smart Scheduling”, International Journal of Production Research, 1-12, 2018.
• [29] Tao, F., Qi, Q., Liu, A. ve Kusiak, A., “Data-driven smart manufacturing”, Journal of Manufacturing Systems, Cilt 48, 157-168, 2018.
• [30] Cheng, Y., Chen, K., Sun, H., Zhang, Y. ve Tao, F., “Data and knowledge mining with big data towards smart production”, Journal of Industrial Information Integration, Cilt 9, 1-13, 2018.
• [31] Gupta, A. K.; Sivakumar, A. I. Job shop scheduling technIques In semiconductor manufacturing. Int. Journal of Advanced Manufacturing Technology, 2006, Vol. 27, No. 11-12, 1163-1169, DOI: https://doi.org/10.1007/s00170-004-2296-z .
• [32] Kapanoglu, M., Alikalfa, M. Learning IF-THEN priority rules for dynamic job shops using genetic algorithms. Robotics and Computer-Integrated Manufacturing, 2010, Vol. 27, No. 1, 47-55, DOI: https://doi.org/10.1016/j.rcim.2010.06.001 .
• [33] Holthaus, O., Rajendran, C. Efficient dispatching rules for scheduling in a job shop. Int. Journal of Production Economics, 1997, Vol. 48, No. 1, 87-105, DOI:10.1016/S0925-5273(96)00068-0 (1997).
• [34] Jayamohan M. S., Rajendran C. New dispatching rules for shop scheduling: a step forward. International Journal of Production Research, 2000, vol. 38, no. 3, 563-586.
• [35] Chiang T. C. and Fu L. C. Using dispatching rules for job shop scheduling with due date-based objectives. International Journal of Production Research, July 2007, Vol. 45, No. 14, 15, 3245–3262.
• [36] Dileepan, P. & Ahmadi, M. Scheduling Rules for A Small Dynamic Jop-Shop: A Simulation Approach. Int J. Simul Model, 9, 4, 173-183, 2010.
• [37] A. Kevin, “That ‘Internet of things’ thing” RFID Journal, 2009.
• [38] Ersöz S., Ersöz O.Ö. İşletmelerde Bilgi Sistemleri (Uygulamalı Örneklerle). Nobel Yayıncılık, ISBN:6053202455, Ankara, Türkiye, 2015.