Parça ailesi oluşturmada endüktif-kaba kümeleme yaklaşımı

Abstract

ÖZET: Hücresel İmalat, Grup Teknoloji, Endüktif Öğrenme, Kaba Kümeleme, Veri Madenciliği Geleneksel üretim sistemleri, rekabetin çok fazla olmadığı, ürün çeşidinin az fakat yüksek hacimli ve ürün hayat döngüsünün uzun olduğu imalat ortamları için geliştirilmiş olan tekniklerdir. Bu sistemlerin, uzun tedarik süresi, aşın stoklar, karışık üretim planlama ve kontrol, hızlı değişen pazar taleplerine zamanında cevap verememe vb. problemleri vardır. Bu problemleri çözebilmek amacıyla, MRP, OPT, GT, CİM, JIT vb. yeni yöntem, teknik ve imalat felsefesine sahip modern üretim sistemleri geliştirilmiştir. Hücresel üretim, grup teknolojisinin üretimdeki uygulaması olarak bilinen modern bir üretim sistemidir. Hücresel üretim sisteminde çok sayıda parça ailesi ve makine hücresi oluşturma teknikleri geliştirilmiştir. Bu tekniklerin çoğu, gerçek imalat verileriyle test edilmedikleri için endüstriyel uygulamalarda beklenen başarıyı sağlayamamışlardır. Bu amaçla, parça ailelerinin kolayca belirlendiği, veri madenciliği ve yapay zeka temelli (endüktif öğrenme ve kaba kümeleme teorisi) esnek bir model geliştirilmiştir. Bu model, farklı imalat karakteristiklerine sahip dört senaryo için gerçek bir imalat ortamına uygulanmıştır. Bu senaryolara ait parça ailelerinin basan analizleri yapılabilmesi için bir benzetim modeli tasarlanmıştır. Senaryolann basan ölçütleri bu benzetim modeli yardımıyla hesaplanmıştır. Senaryolar arasındaki farkların anlamlılığı t-testi ile test edilmiştir. Sonuçlar, grafiksel olarak sunulmuş ve imalat karakteristiklerinin parça oluşumuna olan etkisi analiz edilmiştir. İşlem zamanı imalat karakteristiğinin, tüm benzerlik sınıflan ve yük durumlannda üç basan ölçütü için en iyi sonucu verdiği gözlenmiştir.

INDUCTIVE-ROUGH SETS APPROACH IN PART FAMILY FORMATION SUMMARY Key Words : Cellular Manufacturing, Group Technology, Inductive Learning, Rough Sets Theory, Data Mining Traditional manufacturing systems are techniques that are developed for manufacturing environments that aren't surrounded by high competition (are under low competitive conditions), have low variety of products and long product life cycles. These systems have problems like long lead time, excessive work in process, complicated production planning and control and changing market demands. In order to solve these problems, many modern manufacturing systems which including new methods, techniques and manufacturing philosophies as MRP, OPT, GT, CM, JIT etc. had been improved. Cellular manufacturing is a modern production system known as application of GT in manufacturing. There have been many clustering techniques to form part families and machine cells in GT literature. Most of these techniques are inadequate to achieve expected results in industrial problems because that they had not been tested with real manufacturing data. For this reason, a flexible model, that determines the formation of the part families easily, based on the AI technologies (Inductive Learning and Rough Set Theory) and Data Mining, have been developed. This model, has applied on real manufacturing environment in four scenarios with different manufacturing characteristics. Later, a simulation model has been designed in order to make performance analysis of the each part families that belongs to these scenarios. The performance measures of the scenarios have been computed via this model and the differences of the scenarios have been tested by t-test in a determined significance level. The results of the comparison have been demonstrated graphically, and the effects of the manufacturing characteristics on forming part families have been analyzed. As a result it has been observed that operation time characteristic gives the most appropriate solutions in all similarity clusters and loading manners for all three performance measures. xx