Kumaş üretiminde yeniden işlemler için makine öğrenmesi yöntemleri kullanarak erken kalite tahmini
Yükleniyor...
Dosyalar
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Günümüzde artan rekabet ve teknolojinin hızlı gelişimi, müşteri beklentilerini önemli ölçüde yükseltmiştir. Müşteriler artık hızlı teslimat, uygun fiyat ve kaliteli ürün taleplerinde bulunmaktadırlar. Bu bağlamda, firmaların rekabet ortamında ayakta kalabilmeleri için bu beklentilere uyum sağlamaları zorunlu hale gelmiştir. Üretim maliyetlerini arttıran ve üretim hattının verimliliğini düşüren önemli unsurlardan biri de yeniden işleme süreçleridir. Yeniden işleme israflardan biri olup, hatalı ürünlerin düzeltilmesi için yapılmaktadır ve bu durum müşteri kaybına neden olabilmektedir. Literatür taraması sonucunda, yeniden işleme süreçlerini önlemeye yönelik çeşitli sektörlerde çalışmalar yapıldığı görülmüştür. Ancak, tekstil sektörü özelinde, özellikle kumaş boyahane üretim birimlerinde yeniden işleme süreçleri ile ilgili yeterli araştırmanın bulunmadığı tespit edilmiştir. Tekstil boyahanelerinde, rengin tutmaması, müşterinin rengi beğenmemesi, çevresel faktörler veya boya kazanlarındaki arızalar nedeniyle sıkça yeniden boyama yapılmaktadır. Bu yeniden boyama işlemleri hem maliyetleri artırmakta hem de zaman kaybına neden olmaktadır. Bu çalışmada, Bursa'da bir tekstil firmasının kumaş boyahane üretim verileri kullanılarak, yeniden işlem görecek kumaşların önceden tahmin edilmesi için Makine Öğrenmesi yöntemlerinden Lojistik Regresyon ve Yapay Sinir Ağları modelleri kullanılmıştır. Çalışmada, firma tarafından sağlanan geçmiş veriler kullanılarak, hangi kumaşların yeniden işleme gerektireceğini tahmin etmeye yönelik modeller geliştirilmiştir. Analizler sonucunda, Yapay Sinir Ağları ve Lojistik Regresyon modelleri sonucunda elde edilen veriler kıyaslanmış ve Yapay Sinir Ağları ile daha başarılı sonuçlar elde edildiği görülmüştür. Yapay Sinir Ağları modellerinin başarısının, karmaşık veri yapılarını ve ilişkilerini daha iyi öğrenebilme kapasitesinden kaynaklandığı düşünülmektedir. Bu modeller, yeniden işleme gerektiren kumaşların daha doğru bir şekilde tahmin edilmesini sağlayarak, üretim sürecindeki hataların ve israfların azaltılmasına yardımcı olmaktadır. Böylece, tekstil firmaları hem maliyetlerini düşürebilmekte hem de müşteri memnuniyetini artırabilmektedirler. Bu çalışma, tekstil sektörüne önemli bir katkı sağlamaktadır. Makine Öğrenmesi modellerinin yeniden işleme süreçlerini minimize etmesi, firmaların verimliliğini ve rekabet gücünü artırmaktadır. Gelecekte, daha fazla veri ve farklı modellerin entegrasyonu ile bu çalışmalar iyileştirilebilir. Tekstil firmalarının Makine Öğrenmesi yöntemlerini kullanmaları, sektördeki verimliliği ve rekabetçiliği artıracaktır.
In today's world, increasing competition and rapid technological advancements have significantly raised customer expectations. Customers now demand fast delivery, reasonable prices, and high-quality products. In this context, it has become imperative for companies to adapt to these expectations in order to survive in a competitive environment. One of the key factors that increase production costs and reduce the efficiency of the production line is rework processes. Rework, which is one of the eight wastes, involves correcting defective products and can lead to customer loss. A review of the literature reveals that various studies have been conducted in different sectors to prevent rework processes. However, it has been found that there is a lack of sufficient research specifically in the textile sector, particularly in fabric dyeing production units. In textile dyehouses, re-dyeing is frequently carried out due to color mismatches, customer dissatisfaction with the color, environmental factors, or malfunctions in dyeing machines. These re-dyeing processes not only increase costs but also result in time loss. In this study, data from a textile company in Bursa was used to predict fabrics that would require rework using machine learning methods, specifically Logistic Regression and Artificial Neural Networks models. The study involved developing models to predict which fabrics would need rework based on historical data provided by the company. The analyses showed that Artificial Neural Networks produced more successful results compared to Logistic Regression models. The success of Artificial Neural Networks is attributed to their ability to better learn complex data structures and relationships. These models help in more accurately predicting fabrics that require rework, thereby reducing errors and waste in the production process. As a result, textile companies can reduce costs and increase customer satisfaction. In conclusion, this study provides a significant contribution to the textile sector. The use of machine learning models to minimize rework processes helps companies enhance their efficiency and maintain their competitive edge. In the future, it will be possible to expand and improve these studies with more data and the integration of different models. In this context, the use of machine learning methods by textile companies to minimize rework processes will enhance overall efficiency and competitiveness in the sector.
In today's world, increasing competition and rapid technological advancements have significantly raised customer expectations. Customers now demand fast delivery, reasonable prices, and high-quality products. In this context, it has become imperative for companies to adapt to these expectations in order to survive in a competitive environment. One of the key factors that increase production costs and reduce the efficiency of the production line is rework processes. Rework, which is one of the eight wastes, involves correcting defective products and can lead to customer loss. A review of the literature reveals that various studies have been conducted in different sectors to prevent rework processes. However, it has been found that there is a lack of sufficient research specifically in the textile sector, particularly in fabric dyeing production units. In textile dyehouses, re-dyeing is frequently carried out due to color mismatches, customer dissatisfaction with the color, environmental factors, or malfunctions in dyeing machines. These re-dyeing processes not only increase costs but also result in time loss. In this study, data from a textile company in Bursa was used to predict fabrics that would require rework using machine learning methods, specifically Logistic Regression and Artificial Neural Networks models. The study involved developing models to predict which fabrics would need rework based on historical data provided by the company. The analyses showed that Artificial Neural Networks produced more successful results compared to Logistic Regression models. The success of Artificial Neural Networks is attributed to their ability to better learn complex data structures and relationships. These models help in more accurately predicting fabrics that require rework, thereby reducing errors and waste in the production process. As a result, textile companies can reduce costs and increase customer satisfaction. In conclusion, this study provides a significant contribution to the textile sector. The use of machine learning models to minimize rework processes helps companies enhance their efficiency and maintain their competitive edge. In the future, it will be possible to expand and improve these studies with more data and the integration of different models. In this context, the use of machine learning methods by textile companies to minimize rework processes will enhance overall efficiency and competitiveness in the sector.
Açıklama
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
