KaydedilenlerDerginizi ekleyin

Dergiler / Ege Akademik Bakış / 2018 / Cilt: 18 - Sayı: 2

Yapay Sinir Ağları Analizi İle İmalat Süreçlerinin İyileştirilmesi

Improvement of Manufacturing Processes by Artificial Neural Networks Analysis

Salih AKA
Gökhan AKYÜZ
Sayfa
261–271
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sonuçlar, yapaysinir ağı modellerinin imalat süreçlerine iyi adapteolabildiğini göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İmalat süreçleri çok sayıda değişken tarafındanetkilenen faaliyetlerden oluşmaktadır.
📊
Temel Bulgular & Veri:Çalışmada, 15 girdi değişkeninesahip bir imalat süreci, yapay sinir ağları yöntemiile modellenmiş, ağın eğitilmesi sağlanmış vemevcut durumda en iyi çıktı performansı alabilmekiçin eğitilen ağ kullanılmıştır.
💡
Sonuç & Katkı:Sonuçlar, yapaysinir ağı modellerinin imalat süreçlerine iyi adapteolabildiğini göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

İmalat süreçleri çok sayıda değişken tarafındanetkilenen faaliyetlerden oluşmaktadır. Buçalışmanın amacı imalat süreçlerinin planlanması,gelecek durumunun tahmin edilmesi, takipve kontrolü gibi aşamalarda yapay sinir ağlarıyöntemi kullanılarak iyileştirmeler yapılabileceğinigöstermektir. Çalışmada, 15 girdi değişkeninesahip bir imalat süreci, yapay sinir ağları yöntemiile modellenmiş, ağın eğitilmesi sağlanmış vemevcut durumda en iyi çıktı performansı alabilmekiçin eğitilen ağ kullanılmıştır. Yapay sinir ağları,değişkenlerde meydana gelebilecek herhangi birdeğişim karşısında ortaya çıkabilecek sonuçlarıntespitinin sağlanmasında ve bu yolla süreçleriniyileştirilmesinde faydalı bir araçtır. Sonuçlar, yapaysinir ağı modellerinin imalat süreçlerine iyi adapteolabildiğini göstermektedir.

Abstract

Manufacturing processes consist of activities affected by a large number of variables. The aim of this study is to show that improvements can be made by using artificial neural network methods at stages of manufacturing such as planning of processes, forecasting of the future situation, monitoring and control. In the study, a manufacturing process with 15 input variables was modeled using artificial neural networks, network training was provided, and a trained network was used to obtain the best output performance in the current situation. Artificial neural networks are useful tools in finding out the consequences of any change that may occur in variables and in improving the processes with this way. The results show that artificial neural network models can be well adapted to manufacturing processes.

🔖

Bu Makaleye Atıf Yap

AKA, S., AKYÜZ, G. (2022). Yapay Sinir Ağları Analizi İle İmalat Süreçlerinin İyileştirilmesi. Ege Akademik Bakış, Cilt: 18 - Sayı: 2, 261–271. https://ajindex.com/articles/495189

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. Abbasi, B. (2009) “A neural network applied to estimate process capability of non-normal processes” Expert Systems with Applications, 36: 3093-3100.
  2. Alguindigue, I. E., Loskiewicz-Buczak, A. ve Uhrig, R. E. (1993) “Monitoring and diagnosis of rolling element bearings using artificial neural Networks”IEEE transactions on industrial electronics, 40(2): 209-217.
  3. Andersen, K., Cook, G. E., Karsai, G. ve Ramaswamy, K. (1990) “Artificial neural networks applied to arc welding process modeling and control”IEEE Transactions on industry applications, 26(5): 824-830.
  4. Azadeh, A., Saberi, M. ve Anvari, M. (2010) “An integrated artificial neural network algorithm for performance assessment and optimization of decision making units” Expert Systems with Applications, 37(8): 5688-5697.
  5. Azimi, P. ve Soofi, P. (2017) “An ANN-based optimization model for facility layout problem using simulation technique” Scientia Iranica E, 24(1): 364-377.
  6. Basheer, I.A. ve Hajmeer, M. (2000) “Artificial neural networks: fundamentals, computing, design, and application” Journal of Microbiological Methods, 43: 3-31.
  7. Burduk, A., Chlebus, T. ve Waszkowski, R. (2017, Eylül) “Assessment of the Feasibility of a Production Plan with the Use of an Artificial Neural Network Model” In: International Conference on Intelligent Systems in Production Engineering and Maintenance, s. 179-188.
  8. Springer, Cham. Carbonneau, R., Laframboise, K. ve Vahidov, R. (2008) “Application of machine learning techniques for supply chain demand forecasting” European Journal of Operational Research, 184(3): 1140-1154.
  9. Chen, F. L. ve Liu, S. F. (2000) “A neural-network approach to recognize defect spatial pattern in semiconductor fabrication” IEEE transactions on semiconductor manufacturing, 13(3): 366-373.
  10. Chou, P. Y., Tsai, J. T. ve Chou, J. H. (2016) “Modeling and optimizing tensile strength and yield point on a steel bar using an artificial neural network with taguchi particle swarm optimizer”IEEE Access, 4: 585-593.
  11. Confalonieri, M., Barni, A., Valente, A., Cinus, M. ve Pedrazzoli, P. (2015, Haziran) “An AI based decision support system for preventive maintenance and production optimization in energy intensive manufacturing plants” In: Engineering, Technology and Innovation/International Technology Management Conference (ICE/ITMC), IEEE International Conference on, s. 1-8,
  12. IEEE. Ding, L. ve Matthews, J. (2009) “A contemporary study into the application of neural network techniques employed to automate CAD/CAM integration