KİTLESEL ÖZELLEŞTİRME ORTAMINDA SÜREÇ PLANLAMA VE ÇİZELGELEME ENTEGRASYONU: HİBRİT BİR YAKLAŞIM

Kitlesel özelleştirme üretim ortamında kaynakları; değişen müşteri talepleri ve imalat koşullarına göre verimli kullanarak maliyet, zaman ve işgücünde tasarruf etmek, bugünün rekabetçi piyasa koşullarında firmalar için hayati öneme sahiptir. Süreç Planlama (SP) ve Çizelgeleme, kaynakların verimli kullanılmasını sağlayan temel bileşenler olup, bunların arasındaki izolasyon ve uzun zaman boşlukları üretim verimini etkileyen problemlerdendir. Bu verimlilik problemlerini çözmek için çalışmada, SP ve Çizelgelemeyi paralel bir şekilde yapabilecek ve üretimdeki dalgalanmalara hızlıca cevap verebilecek entegre bir sistem oluşturulması amaçlanmıştır. Mevcut entegrasyon modellerinde çözüm kümesi ve araştırma alanı genişledikçe hesaplama süresinin şiddetle arttığı gözlemlenmiştir. Bu yüzden, bu çalışmada optimal sonucu kısa sürede bulabilmek için SP ile Çizelgeleme entegrasyonunda, Genetik Algoritma (GA) ve Yapay Sinir Ağları (YSA) birlikte kullanılarak, hibrit bir yaklaşım oluşturulmuştur. GA performansını ve çözüm arama verimini artırmak amacıyla kromozomlarda alternatif rotalar ile kümeleme çalışmaları yapılmıştır. Popülasyonların çeşitliliğini artırmak için etkin genetik temsiller ve işlemciler kullanılmıştır. Entegrasyon modülünde oluşturulan 3 farklı GA yapısı karşılaştırıldığında; kümeleme ve en iyi alternatif rotaları seçme yöntemleriyle oluşturulan algoritmaların daha iyi performans gösterdiği gözlenmiştir. Oluşturulan YSA ile, mevcut çizelgelerden elde edilen verilerle eğitilen sistem, değişen üretim koşullarında yeni çizelgeleri kısa sürede üretebilmiştir. Yeniden çizelgeleme modülündeki ağ yapılarının performans ölçütleri, entegrasyon modülündeki sezgisel çözümü doğrulamıştır.

A HYBRİD APPROACH COMBINING NEURAL NETWORKS AND GENETIC ALGORITHM TO INTEGRATE PROCESS PLANNING AND SCHEDULING FOR MASS CUSTOMIZATION

In mass customization using resources efficiently with changing customer demands and manufacturing conditions is vital, since in today's competitive market conditions, this efficiency provides cost, time and labor savings to companies. In production environment, Process Planning (PP) and Scheduling are two functions that provide efficient usage of resources. Isolation and long time gap between these functions are main problems affecting the effiency of production. In this study, to solve the problems of productivity, it is aimed to build an integrated system which is able do PP and Scheduling in parallel and respond quickly to fluctuations in job floor. In existing integration models aiming to eliminate this isolation and time gap, it has been observed that if the search and solution space expands, the computational time increases rapidly. Therefore, in this research, a hybrid optimization approach, which can find the optimal solution rapidly is considered and a hybrid model combining both Genetic Algorithm (GA) and Artificial Neural Network (ANN) is proposed. To improve GA performance and increase the effiency of searching, clustering activities are carried out for building new cromosome structures. To increase population diversity, effective genetic operator schemes and efficient genetic represantations are used. In the integration module, 3 different GA structures created within the scope of our research are compared and the algorithm formed by clustering method shows better performance than the others. In this paper by using ANN method, a new system trained by data obtained from Scheduling is generated and this system is able to quickly respond the changes in shop floor and provide new schedules instantly. In rescheduling module, ANN s performance measures provide evidence to accuracy of Heuristic solution generated by Integration module.

PDF

___

1. Huang, S.S., Zhang, H.C. ve Smith, M.L., A progressive approach for the integration of process planning and scheduling, IIE Transactions, Cilt27, Institute of Industrial Engineers, GA, A.B.D, 456464, 1995.
2. Tonshoff, H.K., Beckendorff, U. ve Andres, N., FLEXPLAN: a concept for intelligent process planning and scheduling, CIRP International Workshop,Cilt 2122, Hannover, Germany, 87 106, Eylül 1989.
3. Kim, K. ve Egbelu, P., Scheduling in a production environment with multiple process plans per job, International Journal of Production Research, Cilt 37, No 12, 272553, 1999.
4. Weintraub, A., vd., Scheduling with alternatives: a link between process planning and scheduling, IIE Transactions, Cilt31, Institute of Industrial Engineers, GA, A.B.D, 10931102, 1999.
5. Moon, C., Kim, J. ve Hur, S., Integrated process planning and scheduling with minimizing total tardiness in multi-plants supply chain, Computers and Industrial Engineering, Cilt 43, No 1, 331349, 2002.
6. Grabowik, C., Kalinowski, K. ve Monica, Z.,Integration of the CAD/CAPP/PPC systems,Journal of Materials Processing Technology, Cilt 164165, No 2, 135868, 2005.
7. Zhao, F., vd., A hybrid particle swarm optimization algorithm and fuzzy logic for process planning and production scheduling integration in holonic manufacturing systems, International Journal of Computer Integrated Manufacturing, Cilt 23 No 1, 2039, 2010.
8. Leung, C.W., vd., Integrated process planning and scheduling by an agent-based ant colony optimization Computers & Industrial Engineering, Cilt 59 No 1, 166180, 2010.
9. Iwata, K. ve Fukuda, Y., A new proposal of dynamic process planning in machine shop, Proceedings of CIRP international workshop on computer aided process planning, Cilt 21 22, Hanover University, Germany, 7383, Eylül 1989.
10. Gaalman, G.J.C., Slomp, J. ve Suresh, N.C., Towards an integration of process planning and production planning and control for flexible manufacturing systems, International Journal of FMS, Cilt 11, No 1, 517, 1999.
11. Haykin, S., Neural Networks: A Comprehensive Foundation, Macmillan Publishing, New York, A.B.D., 1994.