Mükerrem Bahar BAŞKIR, Selman KARAYILMAZLAR

Bir Kapı-Doğrama Süreci Belirsizlik Analizi için Bulanık Modelleme

İşletmeler günümüz rekabet ortamına ayak uydurabilmek için yönetim, üretim/hizmet süreçlerinin bütününde, müşteri memnuniyetinin ön planda tutulduğu iyileştirme çalışmalarında bulunmaktadır. Türkiye’de bu çalışmaların en etkili örnekleri inşaat sektöründe gerçekleştirilmektedir. Küresel inşaat sanayinde kendini ispatlamış birçok Türk firması mevcut kaynak yönetimini iyileştirme ve kontrol altına alma çalışmaları içerisindedir. İşletmeler bünyelerinde yan sanayi gereksinimlerini karşıladıkları birimler kurmaktadırlar. Bunun yanı sıra, işletmeler için süreç iyileştirme çalışmalarında bilimsel yöntemlere dayalı değerlendirmelerin önemi artmaktadır. Bu çalışmada, bir şirketler topluluğunun yan sanayi ihtiyaçlarını karşılamak amacı ile kurduğu kapı doğrama fabrikasında birim kapı imalat sürecinin modellenmesi için bir yaklaşım önerilmektedir. Bu yaklaşım üç aşamadan oluşmaktadır: i) Birim kapı imalatında problem kaynağının tespit edilerek veri tabanlarının oluşturulması, ii) Oluşturulan veri tabanları için üyelik değerlerinin hesaplanması, iii) Veri tabanlarının üyelikleri ile birlikte bulanık (regresyon) fonksiyonlar kullanılarak modellenmesi. Fabrikada problem birim kapı imalatının hedeflenenden daha uzun sürmesidir. Birinci aşamada, balıkkılçığı diyagramı ile problemin etkili nedenleri belirlenmektedir. Pareto analizi ile kapı imalatında harcanan süre bakımından etkili olan ana parçalar ve alt işlemleri seçilerek veri tabanları oluşturulmaktadır. İkinci aşamada, bu veri tabanlarının yapısı kaynaklı belirsizlikler için bulanık öbekleme ile üyelik değerleri hesaplanmaktadır. Üçüncü aşamada, veri tabanları ve üyelikleri bulanık (regresyon) fonksiyonları ile modellenmektedir. Önerilen yaklaşıma göre belirlenen kapı kanadı ve kasası veri tabanlarının bulanık öbeklenme yapıları, sırasıyla, %93,0 ve %94,0 doğruluk oranları ile oluşturulmuştur. Sonuç olarak, birim kapı imalat-süreleri için belirlenen bulanık fonksiyon performans sonuçlarının (kapı kanadı için R2=%73,8 ve HKOK=0,455; kapı kasası için R2=%72,8 ve HKOK=0,553) klasik regresyondan daha iyi olduğu görülmüştür.

Fuzzy Modeling for Uncertainty Analysis of a Door-Joinery Process

Organizations have been working on the improvement studies focused on customer requirements in their management, production/service processes to keep up with global competition area. The most effective examples in Turkey can be seen in construction sector. The famous Turkish organizations in global construction industry have been working on improving their resource managements and taking them under control. Organizations set up their ancillary industries to fulfill their own requirements. Besides, there is an increased interest in scientific techniques for improving processes. In this study, we proposed an approach to model a production process of a door-joinery factory, which is set up to satisfy the Turkish corporation group’s requirements. This approach has three phases: i) Determining problem-resources for a door production and creating databases, ii) Calculating membership values for the databases, iii) Modeling the databases with their memberships using fuzzy (regression) functions. Factory’s problem is related to a door production-time, which takes long than the factory’s target. In the first phase, the effective causes of the problem are investigated using fishbone diagram. After determining the effective main parts and their operations by the production-time via pareto analysis, the databases are created. In the second, membership values of the databases are calculated to identify data-based uncertainties. In the third phase, databases and their memberships are modeled by fuzzy (regression) functions. According to the proposed approach, fuzzy clustering structures of the door leaf and frame databases are occurred with 93.0% and 94.0% accuracy rates, respectively. Consequently, fuzzy functions for a door production-time give better performance-results (door-leaf: R2=73.8%, RMSE=0.455; door-frame: R2=72.8%, RMSE=0.553) than convenient models.

Keywords:

Door production, pareto analysis, fishbone diagram fuzzy clustering, fuzzy regression,

PDF

___

Aladag, C.H., Turksen, I.B., Dalar, A.Z., Egrioglu, E., Yolcu, U. (2014). Application of Type-1 fuzzy functions approach for time series forecasting. Turkish Journal of Fuzzy Systems, 5(1): 1-9.
Bardak, S., Tiryaki, S., Bardak, T., Aydın, A. (2016). Predictive performance of artificial neural network and multiple linear regression models in predicting adhesive bonding strength of wood. Strength of Materials, 48(6): 811-824.
Bardak, T., Bardak, S. (2017). Prediction of wood density by using red-green-blue (rgb) color and fuzzy logic techniques. Journal of Polytechnic, 20(4): 979-984.
Başkır, M.B. (2006). Kapı-doğrama sürecinde altı sigma yaklaşımı. 5. İstatistik Günleri Sempozyumu Bildiriler Kitabı, s. 71-78, Antalya.
Başkır, M.B., Türkşen, I.B. (2010). An uncertainty analysis of supplier selection by fuzzy logic. IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2010), Barcelona, Spain.
Başkır, M.B. (2016). Type-1 Fuzzy Modeling for DuPont Analysis on Turkish Insurance Sector. Turkish Journal of Fuzzy Systems, 7(1): 29-40.
Bezdek, J.C. (1974a). Numerical taxonomy with fuzzy sets. Journal of Mathematical Biology, 1: 57-71.
Bezdek, J.C. (1974b). Cluster validity with fuzzy sets. Journal of Cybernetics, 3(3): 58-73.
Bezdek, J.C. (1981). Pattern recognition with fuzzy objective function algorithms. Plenum Press: New York.
Breyfogle F.W. (2003). III, Implementing six sigma: smarter solutions using statistical methods. John Wiley & Sons, Hoboken, N.J.
Çelikyılmaz, A., Türkşen, I.B. (2008a). Validation criteria for enhanced fuzzy clustering. Pattern Recognition Letters, 29(2): 97-108.
Demirci, M. (1999). Fuzzy functions and their fundamental properties. Fuzzy Sets and Systems, 106(2): 239–246.
Demirci, M. (2003). Foundations of fuzzy functions and vague algebra based on many valued equivalence relations, part I: fuzzy functions and their applications. International Journal of General Systems, 32(2): 123–155.
Fukuyama, Y., Sugeno, M. (1989). A new method of choosing the number of clusters for the fuzzy c-means method, in Proceedings of 5th Fuzzy Systems Symposium, pp. 247-250.
Ishikawa, K. (1990) Introduction to Quality Control, Taylor & Francis.
Kim, M., Ramakrishna, R.S. (2005). New indices for cluster validity assessment. Pattern Recognition Letters, 26(15): 2353-2363.
Tang, Y., Sun, F., Sun, Z. (2005). Improved validation index for fuzzy clustering. American Control Conference, 1120-1125, USA.
Taormina, R., Chau K-W., Sivakumar, B. (2015). Neural network river forecasting through baseflow separation and binary-coded swarm optimization. Journal of Hydrology, 529(3): 1788-1797.
Türkşen, I.B. (2008). Fuzzy function with LSE. Applied Soft Computing, 8(3): 1178-1188.
Türkşen, I.B. (2012). A review of developments from fuzzy rule bases to fuzzy functions. Hacettepe Journal of Mathematics and Statistics, 41(3): 347-359.
Wang, W-C., Xu, D-M., Chau, K-W., Lei, G-J. (2014). Assessment of river water quality based on theory of variable fuzzy sets and fuzzy binary comparison method. Water Resources Management, 28(12): 4183-4200.
Xie, X.L., Beni, G.A. (1991). Validity measure for fuzzy clustering. IEEE Trans. Pattern and Machine Intelligence, 3(8): 841-846.
Zadeh, L.A. (1965). Fuzzy sets. Information Control, 8(3): 338-353.
Zarandi, MHF., Zarinbal, M., Ghanbari, N., Turksen, IB. (2013). A new fuzzy functions model tuned by hybridizing imperialist competitive algorithm and simulated annealing. Application: Stock price prediction. Information Sciences, 222(10): 213-228.