ÖZET Anahtar Kelimeler : Esnek İmalat Sistemleri, Esneklik, Rotalama, Yapay Sinir Ağları, Geriye Yayılım Algoritması (GYA) Esnek İmalat Sisteminin amacı imalat sırasındaki sapmaları çabuk tanımak ve minimize etmektir. Bunu ise sahip olduğu esneklik özelliği ile sağlar. Böylece çalışma koşullarında ortaya çıkan değişimlerin veya çevreden kaynaklanan belirsizliklerin üstesinden gelmiş olur. Bu çalışmada ise değişen fiziksel koşullarda -makine bozulmaları - ortaya çıkan rotalama esnekliği ile ilgili bir uygulama yapılmıştır. Araç olarak tamsayılı programlama ve özellikle endüstri mühendisliğinde optimizasyon, yöneylem araştırması problemleri, taşıma problemleri ve yapay zekada sıkça kullanılan Yapay Sinir Ağlarından faydalanılmıştır. Kullanılan veriler gerçek olmayıp hayalidir-teoriktir-. Sistemde bir EİS modeli oluşturulmuş ve yalnız tezgahlar dikkate alınmıştır. Problemin çözümünde önce tamsayılı programlama kullanılmıştır. Daha sonra aynı problem PROMODEL ile farklı durumlar için tek tek simüle edilerek tezgah verimlilikleri ve üretim miktarları elde edilmiş bu veriler Geri Yayılım algoritmasında kullanılmıştır. Bulunan sonuçlar tamsayılı programlamada elde dilen sonuçlarla kıyaslanmıştır. Tamsayılı pogramlama ile çözümde sistemdeki ani tezgah bozulmaları karşısında tamsayılı programlamanın çözüm hızının daha yavaş olduğu görülmüştür. Aynı zamanda tezgahlarda yapılacak üretim miktarlarının belirlenmesi de modeli daha karmaşık hale getirmiştir. Modeldeki tezgah ve parça sayısı arttıkça çözüm daha zor hale gelecek ve uzun zaman alacaktır. Yapay Sinir Ağları ile tezgah verimlilikleri ve üretilen ürünlerin miktarları göz önüne alınarak, tezgah bozulmaları karşısında en uygun rotanın seçimi sağlanmıştır. Yapay sinir ağları problemi daha kısa sürede çözebilmesi, kompleks problemleri çözebilme yeteneğinin olması, olaylar arasında bir korelasyon kurması ve değişen durumlar karşısında da probleme çözüm getirebilmesi, problemi ileri değil geriye doğru da çözebilmesi sebebiyle kullanılmıştır. Sonuç olarak Geriye Yayılım Algoritması ile çözümün hızı artmıştır. Yani sistem bilinmeyen bir problemle karşılaşsa bile kullanılan algoritma probleme bir çözüm getirebilmekte uygun rotayı ve miktarı belirleyebilmektedir. Tamsayılı programlamaya göre karmaşık yapıdaki bu probleme çözüm getirebilmektedir. ıx t£YCK3KÖĞRnİMKBBBUJ
Key words : Flexible Manufacturing Systems, Flexibility, Routing, Artificial Neural Network, Backpropagation Algorithm One of the aim of FMS is to recognize deviation in during manufacturing and to minimize them. It has been obtained through its flexible feature. Thus, FMS with its flexible characteristic can manage the changes in working conditions or uncertainties coming from the environment, such as machine break down. In the present work, two different approaches can be used to solve the finding machine routing problem under machine break down condition. One of them is an Integer Programming the other is Artificial Neural Network. These two approach compared each other. In an Integer Programming approach an FMS model has been modeled. This model is solved with using LINDO packed programming. In order to find out routing under the different machine condition, the model is solved repeated when the condition of the machine change. At the Neural Network approach, the same problem is modeled with using PROMODEL simulation packed program. An Artificial Neural Network can learn with using the simulation results. In this way, machines productivity and production quantities are determinate and these results is utilized in Backpropagation algorithm. As a result, achieving great successful in order to find out routing under machine break down then Integer Programming. Backpropagation algorithm is increased flexibility of the model. In other words, even if faced with an unknown problem, algorithm used can provide a solution to the problem and determine the suitable routing and the quantity.
