Endüktif öğrenme yaklaşımıyla hücresel imalat sistem tasarımı

Abstract

Hücresel İmalat Sistemi, Hücre Düzenleme, Grup Teknolojisi, Endüktif Öğrenme Hücresel imalat (Hİ), endüstride yaygın olarak uygulanan yeni bir imalat kavramıdır. HÎ'ın esası, bir imalat sisteminin hücre olarak adlandırılan çeşitli alt sistemlere bölünmesine dayanır. Bu hücreler sistemde tasarım benzerliklerine ve parçaların imalat gereksinimlerine göre düzenlenir. Ht'ın uygulanmasında çeşitli yararlar elde edilebilir. Bu yararlar genel olarak şunlardır; parça taşıma maliyetlerinin düşürülmesi, hazırlık sürelerinin kısaltılması, süreç içi stokların azaltılması, üretim kalitesinin iyileştirilmesi ve iş tatminin arttırılması. Hücresel imalat sistem (HİS) konusunda yapılmış bir çok çalışma, sadece 0-1 matrisli parça - makina ilişkisine dayanır, diğer tasarım faktörleri ise göz ardı edilir. Buna bağlı olarak sunulan çözümler, HİS'in yararlarını en aza indirmektedir. Ayrıca böyle çalışmalarda, önerilen çözüm yaklaşımları doğal olarak probleme özgüdür. Bu durum çözüm kalitesini düşürmektedir. Hücre düzenlemesi yapılırken, hücre tasarımında rol oynayan faktörlerin dikkate alınması, etkin bir hücre oluşturulması açısından oldukça önemlidir. Bu tezde, parçaların işlem sırası, işlem süresi ve tasanm-imalat karakteristiği gibi hücre tasarımında etkili olan faktörleri göz önüne alan yeni bir yaklaşım sunulmuştur. Geliştirilen bu metoda, Hücresel İmalat Sistem tasarımına Endüktif öğrenme ile Yaklaşım (HİSEY) adı verilmiştir. HİSEY, yapay zeka tekniklerinden biri olan endüktif öğrenmeye dayandırılmıştır. Önerilen bu yaklaşım önce, parçaların işlem süresi ve işlem sırası olmak üzere iki faktörlü problemlere uygulanmıştır. Basan ölçütü olarak grubun verimliliği ve gruplama ölçütü ele alınmış olup, diğer metodlarla karşılaştalmıştır. Diğer yaklaşımlardan en iyi sonucu elde eden metoda göre HİSEY, grubun verimliliğinde (en az) % 5,7'lik ve gruplama ölçütünde (en az) % 8,1'lik bir artış oram ile en iyi sonuca ulaşmıştır. Daha sonra bu iki faktöre tasarım- imalat karakteristiği faktörü eklenerek örnek bir probleme çözüm aranmıştır. Bu problemde de HİSEY, diğer yaklaşımlar arasında en iyi sonucu elde etmiş yaklaşıma göre grubun verimliliğinde % 4,7'lik ve gruplama ölçütünde ise % 2,7'lik bir artış oram ile en yüksek performansa ulaşmıştır. Ayrıca bu problem için başka bir başarı kriteri olan makina yatırımında da diğer en iyi yaklaşıma nazaran % 7,8'lik bir tasarruf sağlamıştır. Sayısal sonuçlar, hem hücre performansında hem de makine yatırımda en iyi değere sahip yaklaşımın HİSEY olduğunu göstermiştir. HİSEY'in, iki faktörlü problemlerde olduğu kadar üç faktörlü problemlerin çözümünde de güvenilir, etkin ve imalat sistemi içinde gerçek hücre düzenleme problemlerinin çözümünde rahatlıkla kullanılabilir bir yaklaşım olduğu gözlemlenmiştir.

Key words: Cellular Manufacturing System, Cell Formation, Group Technology, Inductive Learning Cellular manufacturing (CM) is a relatively new manufacturing concept that has been widely applied in industry. The basic idea of CM is to divide a manufacturing system into several subsytems called cells based on design similarities and manufacturing requirements of parts processed in the system. Several benefits can be obtained by appliying CM concept. These include : reducing material handling cost, shortening setup time, decreasing work in process, improving product quality and increasing job satisfaction. Most research studies in cellular manufacturing system (CMS) design only focus on part-machine relation with 0-1 matrix and ignore all other design factors. Therefore, the obtained solutions give rise to decrease benefits of CMS. In addition, the solution techniques discussed in these studies are heuristic in nature. Thus, the solution quality is questionable. During the cell formation, some factors that have played an important role on effective cell design.should be taken into consideration. In this thesis, an effective new appoarch, which considers similarly of process sequence, similarity of process time, and design and manufacturing similarities is presented. The method is called cellular manufacturing system design with inductive learning approach (CMSILA). CMSILA is based on inductive learning that is one of the artificial intelligent techniquies. Firstly, the proposed approach is applied to problems with two factors that are process sequence and process time. Group efficiency and grouping measure are used as performance criteria. When CMSILA is compared with other methods, it is seen that the approach has increased 5,7 % of group efficiency, and 8,1 % grouping measure has the best outcomes. Then, it is carried out for anexample problem with three factors which are process sequence, process time and design - manufacturing attribute. When outcomes of CMSILA are compared with other methods', it is seen that the approach has increased 4,7 % of group efficiency, and 2,7 % grouping measure has the best outcomes, too. Besides, the approach save machine investment with 7,8%. XINumerical outcomes show that CMSILA not only has the best solution on cell performance but also machine investment. In addition, it can be seen that CMSILA is a reliable and effective approach for problems with two factors and even for problems with three factors. The approach can be feasibily used as a method for real cell design problems. xu