YAPAY SİNİR AĞLARI KULLANARAK ENERJİ TASARRUFLU ATÖLYE TİPİ ÇİZELGELEME

Öz Enerji maliyetlerindeki artış ve iklimsel değişiklikler dolayısıyla, günümüzdeki üretim işletmeleri geleneksel üretim süreçleri yerine sürdürülebilir üretim süreçlerine geçmek zorunda kalmaktadırlar. Geleneksel çizelgeleme problemi sadece işlem sürelerini dikkate alır ve enerji tasarrufu veya çevresel etkileri dikkate almamaktadır. Bu çalışmada ise atölye tipi üretim için çizelgeleme yapılırken harcanan en yüksek elektrik miktarı hesaplanarak, sadece toplam işlerin bitiş süresinin minimizasyonu değil aynı zamanda elektrik tasarrufu yapan bir çizelgeleme yapılmıştır. Her bir zaman dilimi için harcanan elektrikler bulunmuş ve tüm işlemlerin bitiş zamanına kadar olan tüm zamanlar için en büyük elektrik harcaması hesaplanmıştır. Bu değerin azaltılmaya çalışılması ile elektrik tasarrufu sağlanmaya çalışılmıştır. Tamsayılı matematiksel model oluşturularak yapay sinir ağları ile çözümler elde edilmiştir. Uygulamada tüm işlemlerin bitiş süresinden biraz feragat edilerek önemli ölçüde enerji tasarrufu yapıldığı görülmektedir.

Anahtar Kelimeler:

Atölye Tipi Çizelgeleme, Enerji Tasarrufu, Yapay Sinir Ağları

PDF

___

Dai, M., Tang, D., Giret, A., Salido, M.A., & Li, W.D. (2013). Energy-efficent scheduling for a flexible flow shop using an improved genetic-simulated annealing algorithm. Robotics and Computer-Integrated Manufacturing, 29, 418 – 429.
Fang, K., Uhan, N, Zhao F., & Sutherland J. W., (2013). Flow shop scheduling with peak power consumption constraints. Annals of Operations Research, 206, 115 – 145.
Fang, K., Uhan, N., Zhao F., & Sutherland J. W., (2011). A new approach to scheduling in manufacturing for power comsumption and carbon footprint reduction. Journal of Manufacturing Systems, 30, 234 – 240.
Ku, W.,--Y., & Beck J. C., (2016). Mixed Integer Programming models for job shop scheduling: A computational analysis. Computer & Operations Research, 73, 165 – 173.
Liu, Y., Dong, H, Lohse, N., Petrovic S., & Gindy, N., (2014). An investigation into minimising total energy consumption and total weighted tardiness in job shops. Journal of Cleaner Production, 65, 87 – 96.
Luo, H., Du, B., Huang, G.Q., Chen, H., & Li, X., (2013). Hybrid flow shop scheduling consedering machine electricity consumption cost. International Journal of Production Economics, 146(2), 423 – 439.
May, G., Stahl, B., Taisch, M., & Prabhu, V., (2015). Multi-objective genetic algorithm for energy-efficient job shop scheduling. International Journal of Production Research, 53(23), 7071 – 7089.
Moon, J. Y., Shin, K., & Park, J. (2013). Optimizing of production scheduling with timedependent and machine-dependent electricity cost for industrial energy efficiency. International Journal of Advanced Manufacturing Technologies, 68(1-4), 523 – 535.
Mouzon, G., & Yıldırım, M. B. (2008). A framework to minimise total energy consumption and total tardiness on a single machine. International Journal of Sustainable Engineering, 1(2), 211 – 230.
Mouzon, G., Yıldırım, M. B., & Twomey, J. (2007). Operational methods for minimising of energy consumption of manufacturing equipment. International Journal of Production Research, 45(18-19), 4247 – 4271.
Tang, D., Dai, M., Salido, M. A., & Giret, A. (2016). Energy-efficent dynamic scheduling for a flexible flow shop using an improved particle swarm optimization. Computers in Industry, 81, 82 – 95.
Shrouf, F., Ordieres-Mere J., Garcia-Sanchez A., & Ortega-Mier, M. (2014). Optimizing the production scheduling of a single machine to minimize total energy consumption costs. Journal of Cleaner Production, 67, 197 – 207.
Zhang, R., & Chiong, R. (2016). Solving the energy-efficient job shop scheduling problem: a multi-objective genetic algorithm with enhanced local search for minimizing the total weighted tardiness and total energy consumption. Journal of Cleaner Production, 112, 3361 – 3375.
Zhang, R., Zhao, F., Fang, K., & Sutherland J. W., (2014). Energy-conscious flow shop scheduling under time-of-use electricity tariffs. CIRP Annals-Manufacturing Technology, 63, 37 – 40.