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

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

Özet

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.

Abstract

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.