Hücresel İmalat tasarımı komplex, çoklu kriterli ve çoklu prosesli adımı kapsıyor. Bu tüm organizasyonda önemli ölçüde karışıklıklara yol açıyor. Bu alanda yapılan çoğu araştırmalar parça ve makina ailelerinin oluşmasını sağlıyor ve hücresel imalat sisteminin etkin şekilde kullanımına yardımcı oluyor. Parça ve makina ailelerini belirlemek, şekillendirme problemi için, sayısız niceliksel teknikler geliştirilmiştir. Mevcut yaklaşımlar matematiksel programlama, matris köşegenleştirme algoritmalarını, network modelleme uygulamalarım, benzerlik katsayısı, derece sırası kümelendirme yöntemi ve sezgisel yöntemleri içeriyor. Bu matemetiksel yaklaşımlı teknikler sınırlı sayıda niceliksel amaç kullanıyor, buna ilave olarak birçok basitleştirici farza ihtiyaç duyuluyor, ayrıca sınırlı kullanıma sahiptir. Bu makale ters endüktif öğrenme mantığı ile hücre sistem tasarımına yeni bir yaklaşım getiriyor. Başlangıç noktası geleneksel matemetiksel teknikler tarafından oluşturulan ilk çözümdür. Yaklaşım en yüksek ortak parça sayısından hareketle hücreleri oluşturuyor ve ikincil kriter olarak benzerlik katsayısını kullanıyor. Uygulama Tüvasaş' ta presler atelyesinde 60 parça ve 16 makina için benzerlik katsayısı, derece sırası kümelendirme ve ters endüktif öğrenme kullanan üç yöntemle mukayeseli olarak yapılmıştır. Benzerlik katsayısı ve ters endüktif öğrenme kullanan sezgisel yöntem en az darboğaz parça sayışım vermişlerdir. Presler atelyesi yerleşim planında ise daha az hücre sayısı oluşturan derece şurası kümelendirme yöntemi tercih edilmiştir.
The design of cellular systems is a complex, multi-criteria and multi-step process which can have significiant implications for the entire organization. Most research in this area focuses on the formation of the part families and associated machine groups, one step in the cell design process. Numerous quantitative techniques have been developed to adress this part - family machine group formation problem. Existing approaches include mathematical programming algorithms for the matrix diagonalization, the application of network modelling, the use of similarity coefficient and rank order clustering. These mathematically- oriented techniques can handle a relatively limited set of quantitative objectives and in addition require many simpflying assumptions. This paper proposes an inverted inductive learning system approach to cell design in the group technology. The starting point is the initial solution generated by traditional mathematical techniques. It creates cells with the greatest mean part numbers. It decreases inductive time to create cells and in addition it is a flexible method and productive approach to cell design. This application has been made in the press workshop of Tüvasaş for 60 parts and 16 machines according to the three periods rank order clustering, similarity, and an inverted induction method. After the applications; similarity coefficient and inverted induction method has given smallest botleneck parts with 9 parts. Although they have given smallest bottleneck parts, rank order clustering method has been used in the location and organization of the machines to the press section at the factory.
