Esnek imalat sistemlerinde makine sayılarının ve teslim tarihinin belirlenmesinde yapay sinir ağlarının kullanılması

Abstract

ÖZET Anahtar kelimeler: Esnek İmalat Sistemi, Benzetim, Yapay Sinir Ağları. Esnek imalat sistemlerinde çeşitli iş ve takım çizelgeleme stratejileri ve alternatif tasarım senaryoları altında teslim tarihini belirleyen k determinasyon katsayısının değiştirilmesinin sistem performansını nasıl etkilediği incelenmiştir. Modelleme metodolojisi olarak simülasyon kullanılmıştır. Simülasyon modelleme, SIMAN simülasyon dilinde kodlanmış ve üç öncelik kuralı (SPT,FCFS, LPT) ve 8 farklı k (2,3,4,5,6,7,8,9) için 24 ayrı çıktı elde edilmiştir. Benzetim ile elde edilen performans değerleri ve makina konfıgürasyonları eğitme seti olarak düzenlenip 24 yapay sinir ağı geriye yayılım algoritması yöntemiyle eğitilmiştir. Eğitme işlemi tamamlandıktan sonra, yapay sinir ağına performans değerleri verilmiş ve her çizelgeleme kuralı ve k için makina sayıları elde edilmiştir. Bu değerler tekrar SIMAN 'a verilerek koşturulmuş ve yeni performans değerleri elde edilmiştir. Bu performans değerlerinin yüzde olarak genel ortalaması alınmış ve ortalama hata yüzdeleri bulunmuştur. En düşük ortalamayı veren çizelgeleme kuralı ve k determinasyon katsayısı değeri esnek imalat sistemi için en uygun konfıgürasyon olmaktadır.

Key terms: Flexible Manufacturing Systems (FMS), Simulation, Artificial Neural Network. It is studied how changing the determination coefficient k, which determines the due date under the various work and team scheduling strategies and alternative designing scenarios, affects the system performance. Simulation is used as the modelling methodology. Simulation modelling is used in the SIMAN simulation language, and 24 separate outputs were obtained for the three priority rules (SPT, FCFS, LPT) and 8 different k coefficients (2,3,4,5,6,7,8,9). The performance values and the machine-set configurations obtained by simulation was organized as training set, and the 24 artificial nerve nets were trained by means of back propagation algorithm. After the training process is finished, the performance values were loaded into the artificial neural network, and the machine-set values were found out for each scheduling rule and each k. Then these values were entered into the SIMAN again and were run, and the new performance values were obtained. The general averages of these performance values were calculated in percentages, and the average error percentages were found out. The scheduling rule and the determination value k giving the minimum average were found the most suitable configuration. XII