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

Abstract

Atölye tipi üretimde atölyeye gelen işler rotadaki sıraya göre iş merkezlerine atanarak bir dizi operasyondan geçmektedir. Üretim, farklı rotalara sahip ürün çeşitlerinin ve iş merkezi sayısının artmasıyla daha karmaşık bir hal alır. Dinamik üretim ortamının gerçek zamanlı izlenmesiyle sistemin durumuna göre alınacak kararlar çok önemli rol oynar. Dördüncü Sanayi Devrimi ile bilişim teknolojilerinin endüstride yaygın olarak kullanılması, Endüstri 4.0 ve nesnelerin interneti aracılığıyla birbirleri arasında iletişim kurma özelliğine sahip üretim araçlarından büyük miktarda veri elde etme imkânı sağlamıştır. Bu çalışmada, iş merkezlerinde bulunan sensörler vasıtasıyla gerçek zamanlı veri toplayabilen bir üretim sisteminin benzetim modeli oluşturulmuştur ve operasyon koşulları belirlenmiştir. Sonrasında iş merkezi/tezgâh yükleme stratejileri işlerin gecikme sürelerine göre kıyaslanmıştır. En iyi yükleme stratejisi ile benzetim modeli üç farklı talep hızına göre çalıştırılmıştır. İş gecikmeleri ve iş merkezlerinin durumu gözlenmiştir. Elde edilen veriler veri madenciliği sınıflama algoritmaları ile değerlendirilerek geciken işler için çeşitli kurallar belirlenmiştir. Bu kurallar benzetim modeline bir karar mekanizması olarak eklenmiştir. Bu haliyle model, işletmeye yeni bir sipariş geldiğinde uzman sistem ile gecikip gecikmeyeceğini tahmin etmektedir ve üretimi için dış kaynak kullanımı kararını verebilmektedir. Bu yaklaşım ile geciken iş sayısı daha da azaltılmıştır.

In job-shop production systems, orders are assigned to work centers according to their routes, and their_x000D_ operations are performed in this order. Production is becoming more and more complex with the increasing_x000D_ number of product lines and work centers with different routes. Decisions to be made according to the realtime monitoring of a dynamic production environment have become important. With the Fourth Industrial_x000D_ Revolution, information technologies are widely used in industries. A large amount of data is obtained from_x000D_ production tools that are capable of communicating with each other by means of Industry 4.0 and the internet_x000D_ of things. In this study, a simulation model of a production system that can collect data in real-time via_x000D_ sensors in work centers has been created and operation conditions have been determined. Then, work center_x000D_ / machine loading strategies were compared according to the delay periods of the jobs. The simulation model_x000D_ with the best loading strategy was run according to three different demand rates. Then data related with the_x000D_ delay status of the orders and the status of the work centers was obtained. The data were evaluated with data_x000D_ mining classification algorithms and rules were determined for delayed jobs. These rules were added to the_x000D_ simulation model as a decision mechanism. When an order is received in this model, the expert system_x000D_ estimates whether or not there will be a delay, and makes a decision to outsource the order’s production if_x000D_ needed. This approach further reduces the number of delayed orders