T C BEYKENT NVERSTES FEN BLMLER ENSTTS ENDSTR
T. C BEYKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ A. B. D Siparişe Dayalı Üretim İçin Ürün Gruplarının Oluşturulmasında Genetik Algoritma Tabanlı Bir Yaklaşım Prof. Dr. Şevkinaz GÜMÜŞOĞLU Yaşar Üniversitesi, Meslek Yüksekokulu, İZMİR Blm. Uzm. Nedret ERBOY Muğla Sıtkı Koçman Üniversitesi, S. B. E. , Doktora Öğrencisi, MUĞLA Yrd. Doç. Dr. Güzin ÖZDAĞOĞLU Dokuz Eylül Üniversitesi, İşletme Fakültesi, İşletme Bölümü, İZMİR
Çalışmanın Amacı • Grup teknolojisi ve Hücresel üretimin avantajlarından yararlanmak için ürün gruplarının oluşturulmasında operasyon sürelerindeki sapmaları temel alan sezgisel bir fonksiyon tanımlanmış, en iyi çözümü elde etmek üzere genetik algoritma kullanılmıştır. • Son aşamada elde edilen ürün gruplarının imalat süreçleri için oluşturulabilecek makine hücreleri önerilmiş ve elde edilen sonuçlar (2001 A. İşler-Üretim Hücrelerinin Bir Genetik Algoritma Kullanılarak Oluşturulması) karşılaştırmalı olarak sunulmuştur.
Siparişe Dayalı Üretim • Ürün çeşitliliğinin Pazar koşullarından daha çok müşterinin isteğine bağlı olarak değiştiği, uzun dönemli üretim planlarının yapılamadığı, fiyatın ve teslim süresinin müşteri ile birlikte belirlendiği üretim tipidir. • Siparişe dayalı üretim , tüketicilerin kendi isteklerine göre özelleştirilmiş ürünleri satın almalarına izin vermelidir ve dolayısıyla esnek bir yapıya sahip olmalıdır. • Siparişe dayalı üretim yapan firmalarda üretim planlama, stoğa dayalı çalışan firmalarınkinden daha zordur.
Siparişe Dayalı Üretim- Ana Sorunları • • Yüksek düzeyde imalat ara stokları Düşük Tezgah ve İşçi kullanımı Yüksek iş akışı Denetim güçlükleri
Grup Teknolojisi ve Hücresel Üretim • Grup Teknolojisi; ürün tasarımı ve üretimde ürünler arasındaki benzerliklerden faydalanarak, ürünleri benzerliklerine göre gruplandırmaya dayanan bir üretim felsefesidir. • Grup teknolojisi uygulamaları için önemli olan başlıca kavramlar; • • Ürünlerin Sınıflandırılması Ürün Ailelerinin Oluşturulması Basitleştirme Standardizasyon
Hücresel Üretim • Üretilecek olan ürünlerin işlem benzerliklerine ve işlem gördükleri makinelere göre gruplara ayırarak üretim yapmaktır. • Hücresel Üretim sayesinde ürünlerin beklenen kalitede, miktarda ve tam zamanında teslim edilmesine önemli bir katkı sağlar.
Genetik Algoritma • Rassal arama tekniklerini kullanarak çözüm bulmaya çalışan parametre kodlama esasına dayanan sezgisel bir arama tekniğidir. • Uygulama kolaylığı ve hızlı çözüm üretmesi açısından grup teknolojisi ve hücresel üretimde ortaya çıkan karar problemlerinde sıklıkla kullanılan bir tekniktir. • Hücreler arası taşımanın minimum olduğu hücrelerin oluşturulmasında kullanılabilmektedir.
Genetik Algoritma *İterasyon : Tekrarlama *Seleksiyon : Ayıklama
Çalışmada İncelenen Problem • Ürün çeşitliliğinin fazla olduğu siparişe dayalı üretim yapan işletmelere, ürün gruplarının oluşturulması aşamasında karar desteği sağlayacak bir model önerisi geliştirilmiştir. Özellikle CNC tezgâhlarının yaygınlaştığı ve bu anlamda çok işlevli çalışma karakteristiklerinin artmakta olduğu bu tip atölye ortamlarında, aynı tezgâhlarda çok farklı işlemler gerçekleştirilebilmekte olup, bu kapsamda yapılan üretim planlama sürecindeki en büyük sorunlardan biri operasyon süreleridir. • Bu bağlamda operasyon sürelerine göre bir gruplandırma yapılabileceği düşünülmüştür
Çalışmadaki Problem Çözümü • 1. Aşama: Sipariş büyüklükleri göz önüne alınarak ürünler ve dolayısıyla makineler arasında gruplandırma yapılması kararlaştırılmıştır. . • 2. Aşama: Bu gruplamanın hangi kriterlere göre ve nasıl yapılacağıdır. • Ürün bileşenleri ve gördükleri ortak işlemler açısından ortak özellikleri bulunması ilk kısıttır. • Ortaklıkların bulunmadığı ortamlarda , benzer problemlere çözüm getirebilmesi açısından , toplam operasyon sürelerini temel alan bir sezgisel kriter belirlenmiştir.
Çalışmadaki Modelin Temel Çalışma Prensibi • Amaç ya da uygunluk fonksiyonu, oluşturulacak rastgele ürün gruplarındaki ürünler için hesaplanan toplam operasyon sürelerinin göreli sapma değeri olarak tanımlanmıştır. • Bu amaçla, ürün bazında operasyon sürelerinin varyasyon katsayısı hesaplanmakta ve gruplar arasındaki göreli sapma değerleri de aynı şekilde hesaplanarak, elde edilen bu son ifade amaç fonksiyonu olarak kullanılmaktadır.
Çalışmadaki Modelin Temel Çalışma Prensibi • Kullanılan Matematiksel ifadeler;
Çalışmadaki Modelin Temel Çalışma Prensibi
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği • Metal sektöründe sac şekillendirme üstüne faaliyet gösteren firmada , gelen siparişteki ürünleri toplam operasyon sürelerinin benzerliklerine göre gruplandırarak ürün aileleri oluşturmak ve bu ürün ailelerini aynı üretim hücresinde ya da hattında üretmektir. • Bu sayede üretimde bu süreler arasındaki farklılıklar nedeniyle meydana gelen dengesizlikler minimize edilecektir. (Tam zamanında üretim )
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği • Belirli paketler halinde gelen iki sipariş ele alınmıştır. • Seçilen sipariş paketlerinin içinde toplam 28 farkı ürün bulunmaktadır. • Tüm ürünler için paketleme ortak istasyon ve makineler arası mesafe fazla değildir. • Parçaların işlem sıraları benzer değildir. • Seçilen ürünler için dört grup ya da dört hücre oluşturulması öngörülmektedir.
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği • Fabrika’da;
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Uygulamada kullanılacak Parçaların sipariş miktarları Sipariş Kodu Parça Kodu Sipariş Miktarı P 1 6810 -01 ALT ŞASE YAN SACI 5 P 2 6810 -02 ALT ŞASE SACI 5 P 3 6810 -03 ALT ŞASE YAN SACI 5 P 4 6810 -04 ALT ŞASE YAN SACI 5 P 5 6810 -11 KÖŞE DİKME - ÖN / ARKA SAĞ 9 P 6 6810 -14 ÜST KAPAK 3 P 7 6810 -15 ARKA KAPAK 3 P 8 6810 -16 İÇ PANJUR 3 P 9 6810 -21 ÇERÇEVE 3 P 10 6810 -37 PARÇA YAPIMI 3 P 11 6810 -43 ELEKTRİK PANOSU SACI 3 P 12 6810 -45 DAVLUMBAZ 3 P 13 6810 -47 3 P 14 6810 -60 3
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Uygulamada kullanılacak Parçaların sipariş miktarları P 15 6810 -66 PARÇA YAPIMI 6 P 17 P 18 P 19 P 20 P 21 P 22 P 23 P 24 P 25 P 26 P 27 P 28 7757 -19 KARTER AYAKLARI PARÇA YAPIMI 7757 -30 PARÇA YAPIMI 7813 -12 KELEPÇE ESR. 01. 315. 000. 063 ESR. 01. 056. 000. 095 ESR. 01. 088. 000. 045 ESR. 02. 107. 000. 062 ESR. 02. 107. 000. 059 ESR. 02. 212. 000. 016 ESR. 02. 033. 000. 030 ESR. 01. 055. 000. 007 ESR. 01. 088. 000. 010 ESR. 02. 33. 00. 031 50 10 50 20 20 5 5 20 30 30 30 20 20
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği • Parça kodları ve sipariş miktarları tablo haline getirildikten sonra ürün-grup matrislerine göre ikinci tablo oluşturulmuştur. Kullanılan modele göre (1) değeri ile kodlanan konum , ürünün o grup içerisinde yer aldığını ve (0) değeri ile gösterilen konum ise ürünün o grupta yer almadığını göstermektedir. • Kullanılan makine tipleri genelde benzer oldukları için ürünlerin farklı makinelerde işlenme süreleri arasında anlamlı bir fark bulunmamaktadır. • Toplam operasyon süreleri, sipariş listesindeki bir ürüne ait tüm siparişler için o ürünün tüm makinelerde gördüğü operasyon süreleri toplamıdır.
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Ürün – Grup Matrisi Sipariş Kodu P 1 P 2 P 3 P 4 P 5 P 6 P 7 P 8 P 9 P 10 P 11 P 12 P 13 P 14 Grup 1 0 0 0 1 0 0 0 Grup 2 0 0 0 1 Grup 3 1 0 0 0 1 0 Grup 4 0 1 0 0 Toplam Operasyon Süresi 575 535 240 270 1197 768 1221 870 354 180 204 1800 258 555
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Ürün – Grup Matrisi Sipariş Kodu Grup 1 P 15 0 P 16 1 P 17 0 P 18 0 P 19 0 P 20 0 P 21 0 P 22 0 P 23 1 P 24 0 P 25 0 P 26 1 P 27 0 P 28 0 Grup 2 0 0 1 0 0 0 1 1 0 0 0 Grup 3 0 0 0 1 1 1 0 0 0 1 0 Grup 4 1 0 0 0 0 1 Toplam Operasyon Süresi 1428 3000 530 17250 3600 4200 275 3900 14400 7650 9000 9400 3500
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Önerilen Genetik Algoritmada Kullanılan Parametreler Başlangıç Popülasyon Sayısı Tekrar ( iterasyon) Sayısı Çaprazlanacak Bireylerin Seçimi Çaprazlama Operatörü Mutasyon Operatörü Seçim 20 2500 Rulet Tekeri Yöntemi Çok Noktalı Çaprazlama Her 5 çaprazlamada bir rassal dört işlem değiştirme Sıralı Seçim • Algoritmayı programlamak için nesne tabanlı programlama dili olan Microsoft Visual Studio C# 2. 0 dili kullanılmıştır.
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği • En iyi çözüm olarak tanımlanan çözüm matrisine göre oluşan gruplar; Genetik Algoritmada Sonucu Oluşan Ürün Aileleri Grup No Grup 1 Grup 2 Grup 3 Grup 4 P 1 P 4 P 3 P 5 P 2 P 6 P 11 P 7 P 8 P 14 P 13 P 9 Parça Ailesi P 21 P 24 P 25 P 16 P 17 P 19 P 27 P 10 P 12 P 20 P 18 P 23 P 22 P 28 P 26 İşlemler Punch , Kesim, Büküm, Boya , Kaynak ve Montaj Baskı, Kesim, Büküm, Boya ve Kaynak Baskı, Kesim, Büküm, Boya, Kaynak ve Montaj • Firma makine bakımından sıkıntı yaşamamakta , makinelerden birden fazla bulunmakta ve iki adet montaj atölyesi, üç adet kumlama tesisi bulunmaktadır.
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği • Genetik algoritma ile oluşturulan ürün gruplarına göre , ürün ailelerinin işlem gördüğü ürün-makine matrisi oluşturulmuştur. Buna göre ; • 1. Grup: Baskı, Büküm, Kesim ve Kaynak • 2. Grup : Baskı, Büküm, Kesim, Kaynak ve Plazma • 3. Grup : Punch, Büküm, Kesim ve Giyotin • 4. Grup : Punch, Büküm, Kesim ve Kaynaktan bir makine hücresi oluşturulabilir • Oluşan makine hücreleri oluşturulmuştur.
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Ürün Makine Matrisi • Boya ve Montaj bölümleri ortak işlem alanı olarak kullanılacak olup , 1. ve 4. grupta üretilecek ürünler montaj atölyesine gönderilecek şekilde bir yerleşim planı yapılabilir. • Tüm gruplarda boyama işleminden geçecek olan ürünler ise direk boya bölümüne aktarılarak üretim akışı planlanabilir. P: Punch B : Bükme Ks : Kesim B : Boya Ka: Kaynak M: Montaj PL: Plazma G : Giyotin
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Önerilen Genetik Algoritma Sonuç Analizi Uygunluk Değeri Örnek Değişim Grafiği • İlk 100 iterasyonda hızlı bir eğilimle azalmakta, genel olarak 200’lü iterasyonların başında hesaplanan uygunluk değeriyle bir süre lokal bir optimum değerinde kalmakta, gelinen bu lokal değerden 1000. İterasyona yaklaşıldığı noktalarda kurtularak tekrar düşme eğilimine girmekte ve farklı bir lokal optimum değerine geçmektedir. 2000. iterasyon tamamlandıktan sonra algoritma, daha küçük basamaklarla ifade edilen bir değere ulaşmakta ve bu şekilde sıfıra yakınsamaktadır.
Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Farklı Kombinasyonlarda Elde Edilen Minimum Uygunluk Değeri
Karşılaştırmalı Analizler • Çalışmada geliştirilen Genetik Algoritma ve bu algoritmanın bünyesinde kullanılan uygunluk fonksiyonu yapısının performansını karşılaştırmalı olarak değerlendirmek amacı ile Prof. Dr A. Atilla İşlier ‘in 2001 yılında yayınladığı ‘Üretim Hücrelerinin Bir Genetik Algoritma Kullanarak Oluşturulması’ isimli çalışma da kullandığı veriler ile karşılaştırılma yapılmış, eksik veriler için rasgele değerler üretilmiştir. • A. İşler çalışmasında algoritamayı çözmek için kullandığı programlama dili Turbo. Pascal dır. • * Örneğin ilgili çalışmada sipariş miktarları göz önüne alınmadığı için bu kapsamda veri sunulmamıştır.
Karşılaştırmalı Analizler Birim Operasyon Süreleri
Karşılaştırmalı Analizler Sipariş Miktarı ve Toplam Operasyon Süreleri Ürünler 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Sipariş Miktarları 23 44 4 26 21 44 22 39 10 36 5 11 24 25 4 5 42 34 38 41 Birim Operasyon Süresi 23 25 23 22 14 23 16 23 22 25 29 17 22 20 8 22 13 8 20 12 Toplam Operasyon Süresi 529 1100 92 572 294 1012 352 897 220 900 145 187 528 500 32 110 546 272 760 492 • Sipariş miktarları rasgele olarak atanmıştır. • Toplam Operasyon Süresi: Sipariş Miktarı x Birim Operasyon Süresi
Karşılaştırmalı Analizler Ürün- Grup Matrisi Sipariş Kodu Grup 1 Grup 2 Grup 3 Grup 4 Toplam Operasyon Süresi P 1 0 0 529 P 2 0 0 0 1 1100 P 3 1 0 0 0 92 P 4 0 0 0 1 572 P 5 0 0 1 0 294 P 6 1 0 0 0 1012 P 7 0 0 1 0 352 P 8 0 1 0 0 897 P 9 1 0 0 0 220 P 10 0 0 1 0 900 P 11 0 0 145 P 12 0 0 0 1 187 P 13 1 0 0 0 528 P 14 0 0 1 0 500 P 15 1 0 0 0 32 P 16 0 0 0 1 110 P 17 0 1 0 0 546 P 18 1 0 0 0 272 P 19 0 0 1 0 760 P 20 0 1 492 • Temel amaç tezgah atamalarına dayalı , sipariş büyüklüklerinden bağımsız bir gruplama ortaya koymaktır. • Sipariş büyüklüklerinin ve buna bağlı toplanan operasyon sürelerindeki sapmaları minimize eden bir gruplama modeli , çok daha dengeli sonuçlar vermektedir.
Karşılaştırmalı Analizler • Dört Grup için Elde Edilen Sonuçlar
Karşılaştırmalı Analizler • Üç Grup için Elde Edilen Sonuçlar
Karşılaştırmalı Analizler Karşılaştırmada asıl vurgulanmak istenen hangi modelin daha iyi olduğu değil, problemdeki kısıtın sipariş büyüklükleri olması durumunda, bu çalışmada önerilen algoritmanın atıf yapılan çalışmadaki problemin çözümünde de kullanılabileceği ve bu koşullarda çok daha dengeli hücreler elde edilebileceğinin ortaya konabilmesidir.
Sonuç ve Değerlendirme • Ürün çeşitliliğinin çok fazla olduğu siparişe dayalı bir üretim tesisinde ortaya çıkan planlama problemi için özgün bir model önerisi yapılmış ve anlamlı sonuçları elde edilmiştir. Problemin ve çözüm modelinin farklı koşullara göre esnekliği de sağlanarak bir karar destek sistemine temel olabilecek bir öneri sistemi oluşturulmuştur. • Firmanın yetkililerine yön göstermesi amacıyla, üretim ortamındaki makine parkı ve ürün grupları eşleştirilmiş ve olası hücreler manuel olarak düzenlenmiştir.
Sonuç ve Değerlendirme • Ürün Gruplarının oluşturulması ve Hücresel imalat sayesinde; • Akış sürelerinde kısalma • Süreç içi stoklarda azalma • Elde Bulundurma maliyetleri minimize olmakta • Belli işler ve parça aileleri üzerinde uzmanlaşılası ile kontrol kolaylaşıp , ürün kalitesi artmaktadır. .
T. C BEYKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ A. B. D SORULAR ? ? M. Cevdet EREN
- Slides: 37