Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme

Tuğçe YÜCE, (Gazi Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği, Ankara, Türkiye)
Mehmet KABAK (Gazi Üniversitesi, Mühendislik Fakültesi, Endüstri Mühendisliği, Ankara, Türkiye)
Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi
16 5
Yıl: 2021 Cilt: 37 Sayı: 1 Sayfa Aralığı: 47 - 60 Metin Dili: Türkçe İndeks Tarihi: 18-10-2021

Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme

Öz:
Günümüz rekabet koşullarında, kısıtlı kaynakları verimli bir şekilde kullanabilmek, geleceğe dönük yatırımları belirleyebilmek için üretim süresi tahmini yapmak rekabet avantajı sağlamak isteyen firmalar için çok önemlidir. Fakat üretim süresi denildiğinde akla gelen zaman etüdü gibi geleneksel yöntemler ürün ve proses çeşitliliğinin çok fazla olduğu tesislerde büyük bir iş yükü gerektirerek zaman ve maliyet kaybına yol açmaktadır. Bu noktada makine öğrenmesi algoritmaları ile üretim süresi tahminleme zaman ve maliyet açısından büyük avantaj sağlamaktadır. Bu çalışmada bir üretim tesisine ait detay üretim alanlarında 4 farklı prosese ait toplam 8 iş merkezine üretim süresi tahminleme için makine öğrenmesi algoritmalarından yapay sinir ağı, destek vektör regresyonu ve gradyan artırma algoritmaları uygulanmış ve her iş merkezi için en iyi sonucu veren algoritma belirlenmiştir. Elde edilen sonuçlara göre, yapay sinir ağları ortalamada %56,02 başarı gösterirken destek vektör regresyonu %84,08, gradyan artırma makinesi ise %85,31 oranında başarı göstermiştir.
Anahtar Kelime:

Production Time Estimation In Task Center Refraction For Detail Production Areas With Machine Learning Algorithms

Öz:
In today's competitive conditions, estimating production time in order to use limited resources efficiently and to determine future investments is very important for companies that want to gain competitive advantage. However, traditional methods such as time study, require a large workload in facilities with a large product and process variety, resulting in loss of time and cost. At this point, production time estimation with machine learning algorithms provide great advantages in terms of time and cost. In this study, machine learning algorithms, artificial neural network, support vector regression and gradient boosting algorithms were applied to a total of 8 task centers belonging to 4 different processes in the detail production areas of a production facility. The algorithm that gives the best result for each work center was determined. According to the results, artificial neural networks have achieved 56,02% on average, while support vector regression has been 84,08%, and the gradient boosting machine has achieved 85,31%.
Anahtar Kelime:

Belge Türü: Makale Makale Türü: Araştırma Makalesi Erişim Türü: Erişime Açık
  • [1] Bilekdemir, G. 2010. Veri madenciliği tekniklerini kullanarak üretim süresi tahmini ve bir uygulama. Dokuz Eylül Üniversitesi,Fen Bilimleri Enstitüsü,Yüksek Lisans Tezi, 89s, İzmir.
  • [2] Altın, S. Ş. 2011. Benzer süreçlerde üretilen ürünler için yapay zeka ile zaman tahmini. Başkent Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 48s, Ankara.
  • [3] Enns, S. T. 1995. A dynamic forecasting model for job shop flowtime prediction and tardiness control. International Journal of Production Research, 33(5), 1295-1312.
  • [4] Raddon, A., Grigsby, B. 1997. Throughput time forecasting model. IEEE/SEMI Conference and Workshop on Advanced Semiconductor Manufacturing, 10-12 September, USA, 430-433.
  • [5] Şeker, A., Diri, B., Balık, H. H. 2017. Derin Öğrenme Yöntemleri ve Uygulamaları Hakkında Bir İnceleme. Gazi Mühendislik Bilimleri Dergisi, 3(3), 47-64.
  • [6] Janakiram, M., Backus, P., Movafagh, S., Runger, G. 2003. Data mining for cycle time prediction. IEEE Trans. CAS. II, INFORMS Annual Conference, 19-22 October, Atlanta.
  • [7] Janakiram, M., Mowzoon, S. 2006. Factory Cycle-Tıme Predicton With Data-Mining Aproach. IEEE Transactions on Semiconductor Manufacturing, 19(2), 252-258
  • [8] Alenezi, A., Moses, S. A., Trafalis, T. B. 2007. Real-time prediction of order flowtimes using support vector regression. Computers & Operations Research, 35(11), 3489-3503.
  • [9] Lim, Z., Yusof, U., Shamsudin, H. 2019. Manufacturing Lead Time Classification Using Support Vector Machine. ss 268-278. 6th International Visual Informatics Conference, 19–21 November, Malaysia, 268-278.
  • [10] Meidan, Y., Lerner B., Hassoun M., Rabinowitz G. 2009. Data Mining for Cycle Time Key Factor Identification and Prediction in Semiconductor Manufacturing. IFAC Proceedings Volumes, 42(4), 217-222.
  • [11] Meidan, Y., Lerner B., Hassoun M., Rabinowitz G. 2011. Cycle-Time Key Factor Identification and Prediction in Semiconductor Manufacturing Using Machine Learning and Data Mining. IEEE Transactions on Semiconductor Manufacturing, 24(2), 237-248.
  • [12] Kurnaz, G. 2019. Kablo takımı üretim süresinin ve kusurlu ürün oluşumuna yönelik risk faktörlerinin makine öğrenmesi algoritmaları ile belirlenmesi. Ondokuz Mayıs Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 220s, Samsun.
  • [13] Zhang Y., Haghani A. 2015. A Gradient Boosting Method to Improve Travel Time Prediction. Transportation Research Part C: Emerging Technologies, 58(2), 308-324.
  • [14] Kuo, Y., Chan, N., Leung, J., Meng, H., So, A., Tsoi, K., Graham. C. 2020. An Integrated Approach of Machine Learning and Systems Thinking for Waiting Time Prediction in an Emergency Department. International Journal of Medical Informatics, 139, 104-143.
  • [15] Var, T., Türkay, B. E. 2014. Yapay Sinir Ağları Kullanılarak Kısa Dönem Elektrik Yükü Tahmini. Eleco 2014 Elektrik – Elektronik – Bilgisayar ve Biyomedikal Mühendisliği Sempozyumu,27-29 Kasım, Bursa, 34-37.
  • [16] Kartal, E. 2015. Siniflandirmaya Dayali Makine Öğrenmesi Teknikleri Ve Kardiyolojik Risk Değerlendirmesine İlişkin Bir Uygulama. İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi, 133s, İstanbul.
  • [17] Sarı, M. 2016. Yapay Sinir Ağlari Ve Bir Otomotiv Firmasinda Satiş Talep Tahmini Uygulamasi. Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 101s.
  • [18] İmamoğlu, S., İnce H. 2016. Destek Vektör Regresyon ve İkiz Destek Vektör Regresyon Yöntemi ile Tedarikçi Seçimi. Doğuş Üniversitesi Dergisi, 2(2), 241-253.
  • [19] Yang, S., Wu, J., Du, Y., He, Y., Chen, X. 2017. Ensemble Learning for Short-Term Traffic Prediction Based on Gradient Boosting Machine. Journal of Sensors. 10, 1-15.
  • [20] Bardak, E. S., Aydemir, D., Bardak, S. 2018. Yapay Sinir Ağları ve Derin Öğrenme Algoritmaları Kullanarak Nanokompozitlerde Deformasyonun Tahmin Edilmesi. Bartın Orman Fakültesi Dergisi, 20(2), 223-231.
  • [21] Öztemel, E. 2003. Yapay sinir ağlari. PapatyaYayincilik, Istanbul, 44s.
  • [22] Smith, K. A. and Gupta, J. N. D. 2000. Neural Networksin Business: Techniques And Applications For The Operations Researcher. Computers & Operations Research, 27(11), no. 11, 1023-1044.
  • [23] Kartalopoulos, S. V., Kartakapoulos, S. V. 1997. Understanding Neural Networks and Fuzzy Logic: Basic Concepts and Applications. Wiley-IEEE Press, New York. 232s.
  • [24] Hamid, S. A., Iqbal, Z. 2004. Using Neural Networks For Forecasting Volatility Of S&P 500 Index Futures Prices. Journal of Business Research, 57(10), 1116-1125.
  • [25] Haykin, S. 1999. Neural Networks: A Comprehensive Foundation. Prentice- Hall, Ontario, 837s.
  • [26] Vapnik V. 2000. The Nature of Statistical Learning Theory. Springer, New York, 314s.
  • [27] Schölkopf, B., Smola A.J. 2002. Learning with Kernels. MIT Press, Cambridge, 626 s.
  • [28] Yakut, E., Elmas, B., Yavuz, S. 2014. Yapay Sinir Ağları ve Destek Vektör Makineleri Yöntemleriyle Borsa Endeksi Tahmini. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 19(1) 139-157.
  • [29] Acı, M., Avcı, M., Acı, Ç. 2017. Destek Vektör Regresyonu Yöntemiyle Karbon Nanotüp Benzetim Süresinin Kısaltılması. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 32(3), 901-907.
  • [30] Yakut, E. 2012. Veri madenciliği tekniklerinden c5.0 algoritması ve destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması:imalat sektöründe bir uygulama. Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü, Doktora Tezi, 217s, Erzurum.
  • [31] Schapire, R. E. 1989. The strength of weak learnability. 30th Annual Symposium on Foundations of Computer Science, 30 Oct.-1 November, United States, 28-33.
  • [32] Freund, Y. 1995. Boosting a Weak Learning Algorithm by Majority. Information and Computation, 121(2), 256-285.
  • [33] Freund, Y., Schapire, R. E. 1996. Experiments with a new boosting algorithm. Thirteenth International Conference on International Conference on Machine Learning, 3-6 July , Italy, 148–156.
  • [34] Friedman, J. 2000. Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 11-28.
  • [35] Friedman, J. 2002. Stochastic Gradient Boosting. Computational statistics & data analysis, 38(4), 367-378.
  • [36] Lewis, C. D. 1982. Industrial and Business Forecasting Methods : A Practical Guide to Exponential Smoothing and Curve Fitting. Butterworth Scientific, London. 143s.
  • [37] Cherkassky, V., Ma, Y. 2004. Practical Selection of SVM Parameters and Noise Estimation for SVM Regression. Neural Networks : The Official Journal Of The International Neural Network Society, 17(1), 113-26.
  • [38] Lu, C. J., Lee,T. S.,Chiu, C. C. 2009. Financial Time Series Forecasting Using Independent Component Analysis And Support Vector Regression. Decision support systems, 47(2), 115-125.
  • [39] Katagiri, S., Abe, S. 2006. Incremental Training Of Support Vector Machines Using Hyperspheres. Pattern Recognition Letters, 27(13), 1495-1507.
  • [40] Kumar, A. M. 2018. C and Gamma in SVM. https://medium.com/@myselfaman12345 (Erişim Tarihi: 24.02.2021).
APA Yuce T, Kabak M (2021). Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. , 47 - 60.
Chicago Yuce Tugce,Kabak Mehmet Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. (2021): 47 - 60.
MLA Yuce Tugce,Kabak Mehmet Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. , 2021, ss.47 - 60.
AMA Yuce T,Kabak M Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. . 2021; 47 - 60.
Vancouver Yuce T,Kabak M Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. . 2021; 47 - 60.
IEEE Yuce T,Kabak M "Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme." , ss.47 - 60, 2021.
ISNAD Yuce, Tugce - Kabak, Mehmet. "Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme". (2021), 47-60.
APA Yuce T, Kabak M (2021). Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 37(1), 47 - 60.
Chicago Yuce Tugce,Kabak Mehmet Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi 37, no.1 (2021): 47 - 60.
MLA Yuce Tugce,Kabak Mehmet Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol.37, no.1, 2021, ss.47 - 60.
AMA Yuce T,Kabak M Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2021; 37(1): 47 - 60.
Vancouver Yuce T,Kabak M Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi. 2021; 37(1): 47 - 60.
IEEE Yuce T,Kabak M "Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme." Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 37, ss.47 - 60, 2021.
ISNAD Yuce, Tugce - Kabak, Mehmet. "Makine Öğrenmesi Algoritmaları ile Detay Üretim Alanları İçin İş Merkezi Kırılımında Üretim Süresi Tahminleme". Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi 37/1 (2021), 47-60.
Sayfa Oluşturulma Tarihi
23-04-2024 19:44

İLETİŞİM

TÜBİTAK ULAKBİM TR Dizin

Yüzüncüyıl, İşçi Blokları Mahallesi

Muhsin Yazıcıoğlu Caddesi No:51/C

06530 Çankaya / ANKARA +90 (312) 298 92 00

trdizin@tubitak.gov.tr

TÜBİTAK ULAKBİM Ulusal Akademik Ağ ve Bilgi Merkezi Cahit Arf Bilgi Merkezi © Tüm Hakları Saklıdır. Gizlilik Politikası Kullanım Şartları