ANFIS ve YSA Yöntemleri ile İşlenmiş Doğal Taş Üretim Sürecinde Verimlilik Analizi

Productivity Analysis in Processed Natural Stones Production Process by Neural Networks and ANFIS Methods

Özet

Bu çalışmada bir doğal taş üretim işletmesine blok taş olarak giren bir hammaddenin ebatlı ham plaka olarak çıkmasına kadar gerçekleşen üretim süreçlerinin kontrolü, kayıt altına alınması, planlanması,stok yönetimi, doğal taş blokların verimlilikleri ve üretimin tahminlerinin yapılması amaçlanmıştır. Bunun için işletmenin üretim karakterini yansıtacak kurallı ve ilişkisel bir veri tabanı geliştirilmiş ve aynı zamanda, üretimin planlanması ve yönetimi için işletme yöneticilerine destek olabilecek bir yardımcı sistem oluşturulmuştur. Ayrıca, oluşturulan veri tabanındaki bilgiler kullanılarak yapay sinir ağları ve ANFIS ile iki farklı model geliştirilmiş ve bu modeller vasıtasıyla blokların verimlilikleri ve üretim süreleri tahmini gerçekleştirilmiştir. Modelleme ve veri giriş işlemleri tamamlandıktan sonra verimlilik tahmin sonuçları incelendiğinde yeterli başarının yapay sinir ağı modelinde ve % 4.9 en yüksek hata oranı ile gerçekleştiği tespit edilmiştir.

Abstract

In this study, productivity of processed natural stones and production estimations such production management, storing, planning, inventory management were aimed in whole manufacturing process includes natural stone from quarry to sized raw plate in a natural stone productive facilities. Therefore a technically well designed and relational database developed to reflect the character of production of a company. A subsystem was designed to company managers for assisting in terms of production planning. Besides, two different estimation model such artificial neural networks and adaptive neuro- fuzzy inference system were developed and productivity estimation of raw natural stone blocks and production time estimation of the whole process were done by using this system. After modeling and data input operations were completed, the productivity estimation results were analyzed, a sufficient success was obtained in articial neural network model with maximum error rate 4.9%