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

Yıl 2021, Cilt: 37 Sayı: 1, 47 - 60, 28.04.2021

Tuğçe Yüce , Mehmet Kabak

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 destek vektör regresyonu ve gradyan artırma algoritmalarının üretim süresi tahminlemede başarılı sonuçlar verdiği görülmüştür.

Anahtar Kelimeler

Üretim, Üretim Süresi Tahminleme, Destek Vektör Regresyonu, Gradyan Artırma Makinesi, Yapay Sinir Ağı

Kaynakça

• Bilekdemir, G. 2010. Veri madenciliği tekniklerini kullanarak üretim süresi tahmini ve bir uygulama. Dokuz Eylül Üniversitesi,Fen Bilimleri Enstitüsü,Yüksek Lisans Tezi, 89s, İzmir.
• Altın, S. Ş. 2011. Benzer süreçlerde üretilen ürünler için yapay zeka ile zaman tahmini. Başkent Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 48s, Ankara.
• 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.
• 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.
• Zhang Y., Haghani A. 2015. A Gradient Boosting Method to Improve Travel Time Prediction. Transportation Research Part C: Emerging Technologies, 58(2), 308-324.
• İmamoğlu, S., İnce H. 2016. Destek Vektör Regresyon ve İkiz Destek Vektör Regresyon Yöntemi ile Tedarikçi Seçimi. Doğuş Üniversitesi Dergisi, 2(2), 241-253.
• 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.
• Kurt, R., Karayılmazlar, S., Imren E., Çabuk, Y. 2017. Yapay Sinir Ağları ile Öngörü Modellemesi: Türkiye Kâğıt-Karton Sanayi Örneği. Bartın Orman Fakultesi Dergisi. 19(2), 99-106.
• Gyulai, D., Pfeiffer, A., Bergmann, J., Gallina, V. 2018. Online Lead Time Prediction Supporting Situation-Aware Production Control. Procedia CIRP, 78, 190-195.
• 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.
• 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.
• 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.
• 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.
• Öztemel, E. 2003. Yapay sinir ağlari. PapatyaYayincilik, Istanbul, 44s.
• 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. Kartalopoulos, S. V., Kartakapoulos, S. V. 1997. Understanding Neural Networks and Fuzzy Logic: Basic Concepts and Applications. Wiley-IEEE Press, New York. 232s.
• 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.
• Haykin, S. 1999. Neural Networks: A Comprehensive Foundation. Prentice- Hall, Ontario, 837s.
• Vapnik V. 2000. The Nature of Statistical Learning Theory. Springer, New York, 314s.
• Schölkopf, B., Smola A.J. 2002. Learning with Kernels. MIT Press, Cambridge, 626 s.
• 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.
• 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.
• 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.
• 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.
• Freund, Y. 1995. Boosting a Weak Learning Algorithm by Majority. Information and Computation, 121(2), 256-285.
• 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.
• Friedman, J. 2000. Greedy Function Approximation: A Gradient Boosting Machine. The Annals of Statistics, 29(5), 11-28.
• Friedman, J. 2002. Stochastic Gradient Boosting. Computational statistics & data analysis, 38(4), 367-378.
• Lewis, C. D. 1982. Industrial and Business Forecasting Methods : A Practical Guide to Exponential Smoothing and Curve Fitting. Butterworth Scientific, London. 143s.
• 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.
• 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.
• Katagiri, S., Abe, S. 2006. Incremental Training Of Support Vector Machines Using Hyperspheres. Pattern Recognition Letters, 27(13), 1495-1507.
• Kumar, A. M. 2018. C and Gamma in SVM. https://medium.com/@myselfaman12345 (Erişim Tarihi: 24.02.2021).