Dokuma işletmelerindeki çözgü makineleri için üretim süresi tahminleme
Yükleniyor...
Dosyalar
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bursa Teknik Üniversitesi, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
İşlem süresinin; toplam gecikme, toplam akış süresi, tamamlama süresi gibi planlama sürecinin temel performans göstergeleri üzerinde önemli bir etkisi olduğundan, doğru belirlenmesi sürecin etkin yönetimi bağlamında anahtar role sahiptir. Geleneksel olarak işlem süresi, zaman etüdü veya basit hesaplamalar yoluyla belirlenir ve planlama öncesi kesin bir şekilde önceden bilindiği ve de genellikle sabit bir değer olduğu varsayılır. Bazı durumlarda, işlem süresinin kendisi önceden bilinmese de hesaplanmasında kullanılan fonksiyon önceden bilinmektedir. Bu tür durumlar genellikle kimyasal ve metalürjik işlemlerde ortaya çıkar. Fiili üretim sürecinde bazı beklenmedik durumlar nedeniyle işlem süreleri tam olarak kaydedilememektedir. İşlem sürelerinde belirsizlik olarak adlandırılan bu durumun literatürde farklı şekillerde ele alındığı görülmektedir. Bunlardan ilki işlem süresinin bulanıklaştırılmasıdır. Belirsiz işlem süresini modellemek için kullanılan ikinci bir yaklaşım, aralık sayılarıdır (interval numbers). Rastgele veya stokastik işlem süresi, işlem süresindeki belirsizliği ifade etmenin diğer bir yoludur. Bu yaklaşımda, her işin işlem süresi, bilinen bir olasılık dağılımına sahip rastgele bir değişkendir. Bu çalışmada, işlem süresindeki belirsizlik, makine arızası, elektrik kesintisi gibi olasılıksal değişen faktörlerden değil, önceden bilinen sabit değerlere sahip faktörlerin bir kombinasyonundan kaynaklanmaktadır. Tekstil üretim süreçlerinin önemli bileşenlerinden olan çözgü hazırlama operasyonundan esinlenilen bu çalışmada, çözgü hazırlama operasyonunun işlem süresini tahmin etmek için denetimli makine öğrenmesi yaklaşımları kullanılmıştır. Dokuma makinelerinde kullanılmak üzere çözgü ipliklerinin leventlere sarıldığı ilgili süreçte bir leventin hazırlanması için gereken işlem süresi birçok parametreye bağlı olarak değişmektedir. Öncelikle konunun uzmanları ile görüşmeler yapılmış ve neticesinde işlem süresini etkileyebilecek 11 öznitelik belirlenmiştir. Daha sonra çözgü hazırlama işlem süresinin tahmin edilmesi için 6 doğrusal ve 6 doğrusal olmayan toplam 12 farklı makine öğrenmesi algoritması test edilmiştir. Deneysel çalışma işletmenin ERP sisteminde çekilen gerçek hayat verileri ile yapılmıştır.12 farklı denetimli makine öğrenmesi algoritma hem eğitim hem de test veri seti ile koşulmuş ve sonuçlar karşılaştırmalı bir şekilde sunulmuştur. Hem eğitim/ayar süresi bakımında hem de tahmin doğruluğu bakımından boosting algoritmalarının üstünlük sağladığı gözlemlenmiştir.
Since the processing time has a significant impact on the key performance indicators of the planning process such as total tardiness, total flow time, and completion time, its correct determination has a key role in the effective management of the process. Traditionally, processing time is determined by time study or simple calculations and is assumed to be precisely known in advance of planning and is usually a fixed value. In some cases, the function used to calculate it is known in advance, although the processing time itself is not known in advance. Such situations often occur in chemical and metallurgical processes. Due to some unexpected situations in the actual production process, the processing times cannot be recorded exactly. It is seen that this situation, which is called uncertainty in processing times, is handled in different ways in the literature. The first of these is the fuzzification of the processing time. A second approach to modeling indefinite processing time is interval numbers. Random or stochastic processing time is another way of expressing uncertainty in processing time. In this approach, the processing time of each job is a random variable with a known probability distribution. In this study, the uncertainty in the processing time is not caused by probabilistic changing factors such as machine failure, power outage, but by a combination of factors with previously known fixed values. In this study, inspired by the warp preparation operation, which is one of the important components of textile production processes, supervised machine learning approaches are used to estimate the processing time of the warp preparation operation. The processing time involved in the preparation of beams for the warp yarns, which are used in weaving machines, is subject to variations based on multiple parameters. To address this, interviews were conducted with subject matter experts, resulting in the identification of 11 features that could potentially impact the processing time. Subsequently, a total of 12 machine learning algorithms, comprising 6 linear and 6 nonlinear models, were employed to estimate the warp preparation process time. The experimental study utilized real-life data extracted from the enterprise's ERP system, ensuring its practical relevance.12 different supervised machine learning algorithms were run with both training and test datasets and the results were presented in a comparative way. It has been observed that boosting algorithms are superior in terms of both training/adjustment time and estimation accuracy.
Since the processing time has a significant impact on the key performance indicators of the planning process such as total tardiness, total flow time, and completion time, its correct determination has a key role in the effective management of the process. Traditionally, processing time is determined by time study or simple calculations and is assumed to be precisely known in advance of planning and is usually a fixed value. In some cases, the function used to calculate it is known in advance, although the processing time itself is not known in advance. Such situations often occur in chemical and metallurgical processes. Due to some unexpected situations in the actual production process, the processing times cannot be recorded exactly. It is seen that this situation, which is called uncertainty in processing times, is handled in different ways in the literature. The first of these is the fuzzification of the processing time. A second approach to modeling indefinite processing time is interval numbers. Random or stochastic processing time is another way of expressing uncertainty in processing time. In this approach, the processing time of each job is a random variable with a known probability distribution. In this study, the uncertainty in the processing time is not caused by probabilistic changing factors such as machine failure, power outage, but by a combination of factors with previously known fixed values. In this study, inspired by the warp preparation operation, which is one of the important components of textile production processes, supervised machine learning approaches are used to estimate the processing time of the warp preparation operation. The processing time involved in the preparation of beams for the warp yarns, which are used in weaving machines, is subject to variations based on multiple parameters. To address this, interviews were conducted with subject matter experts, resulting in the identification of 11 features that could potentially impact the processing time. Subsequently, a total of 12 machine learning algorithms, comprising 6 linear and 6 nonlinear models, were employed to estimate the warp preparation process time. The experimental study utilized real-life data extracted from the enterprise's ERP system, ensuring its practical relevance.12 different supervised machine learning algorithms were run with both training and test datasets and the results were presented in a comparative way. It has been observed that boosting algorithms are superior in terms of both training/adjustment time and estimation accuracy.
