SavedAdd your journal

Journals / Bilişim Teknolojileri Dergisi / 2018 / Cilt: 11 - Sayı: 4

Talaşlı İmalat Sektöründe Zaman Serileri Kullanarak Üretim Etkililiğinin Tahmini

Bahadır AKTAŞ
Can AYDIN
Pages
407–416
Publication Date
2018-10-30
DOI
—
🏛️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)

Elde edilen tahmini performans değerinden belirli ortalama hata payları ile tezgâhlarda üretilen adet sayısı (%16), tonaj miktarı (%9), bakım-arıza süresi, kalıp revizyon süresi (%51), adet başı tonaj oranı (%18) gibi diğer verilerle ile ilgili tahminlerin yapılması sağlanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Öz Günümüzde imalat sektöründe bulunan şirketlerin, üretim performansını, miktarını ve diğer değişkenleri tahmin edebilmesi rekabet ortamında rakiplerine ciddi bir avantaj sağlamalarına sebep olmaktadır.
📊
Key Findings & Data:Üretim miktarlarının tahmin edilmesi tesisin gelecekteki giderlerini, üretim tezgâhlarındaki hata oranlarını ve karşılaşılacak krizlerin önceden tespit edilmesini sağlayarak verimlilik (etkililik) artışı sağlanmasına olanak tanımaktadır.
💡
Conclusion & Impact:Elde edilen tahmini performans değerinden belirli ortalama hata payları ile tezgâhlarda üretilen adet sayısı (%16), tonaj miktarı (%9), bakım-arıza süresi, kalıp revizyon süresi (%51), adet başı tonaj oranı (%18) gibi diğer verilerle ile ilgili tahminlerin yapılması sağlanmıştır.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:Anahtar Kelimeler Zaman Serisi Tahminlemesi · ARIMA · Karar Destek Sistemleri

Özet

Öz Günümüzde imalat sektöründe bulunan şirketlerin, üretim performansını, miktarını ve diğer değişkenleri tahmin edebilmesi rekabet ortamında rakiplerine ciddi bir avantaj sağlamalarına sebep olmaktadır. Üretim miktarlarının tahmin edilmesi tesisin gelecekteki giderlerini, üretim tezgâhlarındaki hata oranlarını ve karşılaşılacak krizlerin önceden tespit edilmesini sağlayarak verimlilik (etkililik) artışı sağlanmasına olanak tanımaktadır. Bu kapsamda talaşlı imalat sektöründe üretim performansının zaman serisi analizi kullanılarak yüksek doğrulukla ve hızlı bir şekilde tahmin edilmesi amaçlanmaktadır. Bunun için AR ve ARIMA metotları karşılaştırılarak uygun model seçimi gerçekleştirilmiştir. Seçilen model kullanılarak gerçeğe yakın tahmin değerlerine ulaşılmıştır. Modellenmiş üretim performansı değerinin üretim miktarı, üretim tonajı, üretilen parça başı ağırlık, kalıp revizyon süresi ve bakım arıza süresi değerlerinin her biri ile polinom regresyon yöntemi ile analizi yapılıp model oluşturulmuş ve performans tahmin değerinden yola çıkarak bu değerlerin her birisi için ileriye dönük tahmin edilmiştir. Elde edilen tahmini performans değerinden belirli ortalama hata payları ile tezgâhlarda üretilen adet sayısı (%16), tonaj miktarı (%9), bakım-arıza süresi, kalıp revizyon süresi (%51), adet başı tonaj oranı (%18) gibi diğer verilerle ile ilgili tahminlerin yapılması sağlanmıştır.

🔖

Cite This Article

AKTAŞ, B., AYDIN, C. (2018). Talaşlı İmalat Sektöründe Zaman Serileri Kullanarak Üretim Etkililiğinin Tahmini. Bilişim Teknolojileri Dergisi, Cilt: 11 - Sayı: 4, 407–416. https://ajindex.com/articles/251773

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (12)

  1. G. Schuh, T. Potente, C. Potente-Wesch, A. Weber, P. Prote, “Collaboration Mechanisms to Increase Productivity in the Context of Industrie 4.0”, Procedia CIRP, 19, 51-56, 2014
  2. B. H. Kang, T. H. Kim, G.Y. Kong, “A novel method for long-term time series analysis of significant wave height”, 16th TechnoOcean Conference (Techno-Ocean), Kobe, Japonya, 6-8 Ekim 2016
  3. L. Luo, L. Luo, X.L. Zhang, “Hospital daily outpatient visits forecasting using a combinatorial model based on ARIMA and SES models”, Bmc Health Servıces Research, 17(469), 2017
  4. K. G. Boroojeni, M. H. Amini, S. Bahrami, S. S. Iyengar, Al. Sarwat, O. Karabasoglu, “A novel multi-time-scale modeling for electric power demand forecasting: From short-term to mediumterm horizon”, Electric Power Systems Research, (142), 58-73, 2017
  5. H. Hassani, A. Webster, E. S. Silva, S. Heravi, “Forecasting US Tourist arrivals using optimal Singular Spectrum Analysis”, Tourism Management, 46, 322-335, 2015
  6. O. Kaynar, S. Taştan, “Zaman Serisi Analizinde MLP Yapay Sinir Ağları ve ARIMA Modelinin Karşılaştırılması”, Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161- 172, 2009
  7. G. Atsalakis, K.P. Valavanis, “Surveying Stock Market Forecasting Techniques – Part – I: Conventional Methods”, Computation Optimization in Economics and Finance Research Compendium, New York, ABD, 49-104, 2010
  8. H. Yeşilyayla, X-12 ARIMA metoduyla sosyo-ekonomik verilerin analizi, Yüksek Lisans Tezi, Pamukkale Üniversitesi, Fen Bilimleri Enstitüsü, 2013
  9. H. Kaur, S. Ahuja, “Time Series Analysis and Prediction of Electricity Consumption of Health Care Institution Using ARIMA Model”, Proceedings of Sixth International Conference on Soft Computing for Problem Solving. Advances in Intelligent Systems and Computing, (547) Springer, Singapore, 2017
  10. A. O. Solak, “Türkiye'nin Toplam Petrol Talebi ve Ulaştırma Sektörü Petrol Talebinin ARIMA Modeli ile Tahmin Edilmesi”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 2013 [11] O. Meçik, M. Karabacak, “ARIMA Modelleri İle Enflasyon Tahminlemesi: Türkiye Uygulaması”, SÜ İİBF Sosyal ve Ekonomik Araştırmalar Dergisi. 16(11), 2013
  11. A. Tortum, O. Gözcü, M. Y. Çodur, “Türkiye’de Hava Ulaşım Talebinin Arima Modelleri ile Tahmin Edilmesi”, Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(2), 39-54, 2014
  12. G. Altınay, “Aylık elektrik talebinin mevsimsel model ile orta dönem öngörüsü”, Enerji, Piyasa ve D