SavedAdd your journal

Journals / Endüstri Mühendisliği / 2024 / Cilt: 35 Sayı: 3

YARDIMCI YAN SANAYİ PARÇA GRUPLAMA VE KALIP ATAMA SÜRECİNİN MATEMATİKSEL MODEL VE MAKİNE ÖĞRENMESİ İLE PLANLANMASI

Müjgan Sağır(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ)0000-0003-2781-658X
Pelin Çelebi(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ, MÜHENDİSLİK-MİMARLIK FAKÜLTESİ)0009-0006-8364-2771
Pages
330–353
Publication Date
2024-12-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Erişilebilen literatür incelendiğinde, bu problemin ele alındığı ve çözüm yaklaşımı geliştirildiği görülmemiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışma beyaz eşya sektöründe faaliyet gösteren bir işletmenin montaj hatlarında kullanılan parçaları üreten yardımcı yan sanayilerin; üretim verimliliğini artıracak şekilde gruplanması ve yan sanayilerin üretecekleri montaj parçası miktarlarının belirlenmesi problemini ele almaktadır.
📊
Key Findings & Data:Bu süreci iyileştirmek için yan sanayilerin kendi aralarında gruplanarak, ürettikleri çeşitli montaj parçalarının firmaya geldikten sonra birleştirilmesi yerine firma dışında bu üretici firmalarca birleştirilmesi ve işletmeye, montaja hazır halde getirilmesi bu sayede malzeme duruşlarının, süreç içerisindeki lojistik masraflarının azaltılması ve üretim hattının verimliliğinin arttırılması hedeflenmiştir.
💡
Conclusion & Impact:Erişilebilen literatür incelendiğinde, bu problemin ele alındığı ve çözüm yaklaşımı geliştirildiği görülmemiştir.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:Kademeli yardımcı sanayi · alt montaj parçası · kalıp atama problemi

Özet

Bu çalışma beyaz eşya sektöründe faaliyet gösteren bir işletmenin montaj hatlarında kullanılan parçaları üreten yardımcı yan sanayilerin; üretim verimliliğini artıracak şekilde gruplanması ve yan sanayilerin üretecekleri montaj parçası miktarlarının belirlenmesi problemini ele almaktadır. Yan sanayilerden üretim hattına gelen çok sayıda parçanın tedariği sırasında yaşanan gecikmeler üretimi aksatmaktadır. Bu süreci iyileştirmek için yan sanayilerin kendi aralarında gruplanarak, ürettikleri çeşitli montaj parçalarının firmaya geldikten sonra birleştirilmesi yerine firma dışında bu üretici firmalarca birleştirilmesi ve işletmeye, montaja hazır halde getirilmesi bu sayede malzeme duruşlarının, süreç içerisindeki lojistik masraflarının azaltılması ve üretim hattının verimliliğinin arttırılması hedeflenmiştir. Bu yaklaşım ana firma için zaman kazandıracak fakat yan sanayilerce gruplanacak parçaların tüm ambalajlama maliyetleri ve aradaki tüm taşıma maliyetleri gibi ek maliyetler de getirecektir. Ayrıca hangi yan sanayiye hangi işlerin verileceğinin, bu karara bağlı olarak hangi yan sanayiye hangi kalıbın tedarik edileceğinin de belirlenmesi gerekmektedir. Ek olarak yan sanayilerin bir ürünü üretebilmek için bir dizi yetkinliğe sahip olması gerekmektedir. Yardımcı yan sanayilerin üretme yetkinliği olan parça gruplarını kolayca çıkarsamaya yarayacak bir makine öğrenmesi kodu kullanıcı dostu bir arayüz ile tasarlanmıştır. Makine öğrenmesi ile parça gruplarını üretebilecek yetkin yardımcı yan sanayiler ve eniyi eşleşmeleri bulunmakta, ardından geliştirilen matematiksel model bu bilgiyi girdi alarak üretilecek miktarları belirlemektedir. Yaklaşımın yan sanayisi ve benzer problemi olan pek çok işletmeye ve literatüre katkısı olacağı düşünülmektedir. Erişilebilen literatür incelendiğinde, bu problemin ele alındığı ve çözüm yaklaşımı geliştirildiği görülmemiştir.

🔖

Cite This Article

Sağır, M., Çelebi, P. (2024). YARDIMCI YAN SANAYİ PARÇA GRUPLAMA VE KALIP ATAMA SÜRECİNİN MATEMATİKSEL MODEL VE MAKİNE ÖĞRENMESİ İLE PLANLANMASI. Endüstri Mühendisliği, Cilt: 35 Sayı: 3, 330–353. https://doi.org/10.46465/endustrimuhendisligi.1514402

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Alpaydin, E. (2020). Adaptive Computation and Machine Learning Series: Introduction to machine learning. Cambridge, MIT press, ISBN: 9780262043793. Erişim adresi: https://mitpress.mit.edu/9780262043793/introduction-to-machine-learning/
  2. Bakdemir, M. (2024). Python ile Makine Öğrenmesi Algoritmalarını Kullanarak Rüzgar Santralinin Elektrik Üretim Tahmini (Yüksek lisans tezi). Fen Bilimleri Enstitüsü
  3. Boctor, F. F., Renaud, J., ve Rapp, J. E. (2009). Sequencing and scheduling multi-mold injection molding machines. Québec, Canada: Centre Interuniversitaire de Recherche sur les Réseaux d’Entreprises, la Logistique et le Transport (CIRRELT), Faculté des Sciences de l’administration, Université Laval. Erişim adresi: https://www.academia.edu/53026186/Sequencing_and_Scheduling_Multi_mold_Injection_Molding_Machines?uc-sb-sw=38689761
  4. Chen, J. F., ve Wu, T. H. (2006). Total tardiness minimization on unrelated parallel machine scheduling with auxiliary equipment constraints. Omega, 34(1), 81-89. Doi: https://doi.org/10.1016/j.omega.2004.07.023
  5. Dastidar, S. G., ve Nagi, R. (2004). Scheduling injection molding operations with multiple resource constraints and sequence dependent setup times and costs. Computers & Operations Research, 32(11), 2987-3005. Doi: https://doi.org/10.1016/j.cor.2004.04.012
  6. Eminoğlu, S., Gezer, N., Kadı, F., İnkaya, T., ve Yağmahan, B. (2015). Bir otomotiv yan sanayi firması için parti büyüklüğü belirleme ve çizelgeleme sisteminin geliştirilmesi.Endüstri Mühendisliği, 26(4), 5-20. Erişim adresi: https://dergipark.org.tr/tr/pub/endustrimuhendisligi/issue/46768/586140
  7. Ibarra-Rojas, O. J., Ríos-Mercado, R. Z., Rios-Solis, Y. A., ve Saucedo-Espinosa, M. A. (2011). A decomposition approach for the piece–mold–machine manufacturing problem. International Journal of Production Economics, 134(1), 255-261. Doi: https://doi.org/10.1016/j.ijpe.2011.07.006
  8. İzci, E., Karabulut, N., ve Saraç, T. (2022). Döküm Kalıplarının Döküm Tezgâhlarına Atanması Problemi İçin Bir Genetik Algoritma. Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 30(1), 7-2) Doi: https://doi.org/10.31796/ogummf.909262
  9. Lin, C. K. Y., Wong, C. L., ve Yeung, Y. C. (2002). Heuristic approaches for a scheduling problem in the plastic molding department of an audio company. Journal of Heuristics, 8515-540. Erişim adresi: https://link.springer.com/article/10.1023/A:1016588608032
  10. Ríos-Solís, Y. Á., Ibarra-Rojas, O. J., Cabo, M., ve Possani, E. (2020). A heuristic based on mathematical programming for a lot-sizing and scheduling problem in mold-injection production. European Journal of Operational Research, 284(3), 861-873. Doi: https://doi.org/10.1016/j.ejor.2020.01.016
  11. Syam, S. S. ve Shetty, B. (1996). A Heuristic Algorithm for the Capacitated Multiple Supplier Inventory Grouping Problem. Decision Sciences, 27(4), 711-733. Doi: https://doi.org/10.1111/j.1540-5915.1996.tb01832.x
  12. Uluskan, M. ve Akın, Ş. (2022). Tedârikçi Seçiminin Nihai Ürün Kalitesi Üzerinde Etkilerinin Yapisal Eşitlik Modeli İle Analizi. Endüstri Mühendisliği, 33(3), 452-468. Doi: https://doi.org/10.46465/endustrimuhendisligi.1076970.
  13. Alpaydin, E. (2020). Adaptive Computation and Machine Learning Series: Introduction to machine learning. Cambridge, MIT press, ISBN: 9780262043793. Erişim adresi: https://mitpress.mit.edu/9780262043793/introduction-to-machine-learning/
  14. Boctor, F. F., Renaud, J., ve Rapp, J. E. (2009). Sequencing and scheduling multi-mold injection molding machines. Québec, Canada: Centre Interuniversitaire de Recherche sur les Réseaux d’Entreprises, la Logistique et le Transport (CIRRELT), Faculté des Sciences de l’administration, Université Laval. Erişim adresi: https://www.academia.edu/53026186/Sequencing_and_Scheduling_Multi_mold_Injection_Molding_Machines?uc-sb-sw=38689761
  15. Lin, C. K. Y., Wong, C. L., ve Yeung, Y. C. (2002). Heuristic approaches for a scheduling problem in the plastic molding department of an audio company. Journal of Heuristics, 8515-540. Erişim adresi: https://link.springer.com/article/10.1023/A:1016588608032