Documentos de Académico
Documentos de Profesional
Documentos de Cultura
709-724
Un diseño de sistema en tiempo real que utiliza minería de datos para la estimación de
pedidos y aplicaciones retrasados
Ahmet Kürşad Türker1 * , Adem Göleç2 , Adnan Aktepe1 , Süleyman Ersöz1 , Mümtaz İpek3 , Gültekin Çağıl3
1 Departamento de Ingeniería Industrial, Universidad de Kırıkkale, Kırıkkale, 71450, Turquía 2 Departamento de Ingeniería Industrial, Universidad
de Erciyes, Kayseri, 38039, Turquía 3 Departamento de Ingeniería Industrial, Universidad de Sakarya, Sakarya, 54187, Turquía
Palabras clave:
Industria 4.0
Figura A. Etapas del modelo para la estimación de pedidos probablemente retrasados en la
Simulación producción del taller con minería de datos
Programación dinámica
Procesamiento de datos
Subcontratación
Artículo Info:
Propósito: El propósito de este estudio es desarrollar estrategias para reducir los trabajos retrasados en la
producción de un taller.
Artículo de sistema con enfoques de simulación y minería de datos con datos en tiempo real.
investigación
recibido: 05.11.2018 Teoría y métodos:
Aceptado: 22.10.2019 Para desarrollar el sistema de producción del taller y determinar las mejores reglas de despacho, la simulación
DOI: se utiliza el método. En segundo lugar, el método de clasificación de minería de datos se utiliza para producir
las reglas de decisión para
el trabajo10.17341 / gazimmfd.478648 centros. Además, se utiliza un enfoque de sistema experto para evaluar los resultados de
las reglas de decisión.
Resultados:
Correspondencia: Las reglas de decisión para cada centro de trabajo se obtienen con Data Mining. Las reglas se agregan al
ARENA®
Autor: A. Kürşad Türker modelo de simulación y el número de pedidos retrasados se ha estimado además con un enfoque de sistema
correo electrónico: experto.
kturker@kku.edu.tr
Teléfono: +90318357 42 42 /Conclusión:
Los pedidos probablemente retrasados se estiman para el sistema de producción simulado. Se evalúan las
decisiones de subcontratación
y finalmente se reduce el número de pedidos retrasados.
Revista de la Facultad de Ingeniería y Arquitectura de la Universidad de Gazi 35: 2 (2020)
709-724
DESTACAR
Modelado de sistema de producción tipo taller con datos en tiempo real
Uso de la minería de datos en el desarrollo de reglas de decisión para centros de negocios
Identificar y reducir la cantidad de trabajos que probablemente se retrasen
DOI:
10.17341 / gazimmfd.478648
Palabras clave:
Simulación de Industria 4.0
minería de datos de programación dinámica
subcontratación
Revista de la Facultad de Ingeniería y Arquitectura de la Universidad de Gazi 35: 2 (2020)
En la producción tipo taller,709-724
los trabajos que llegan al taller se asignan a los centros de trabajo según el orden en la ruta y pasan por una
serie de operaciones. La producción se vuelve más compleja con el aumento de las variedades de productos con diferentes rutas y el
número de centros de negocios. Con la monitorización en tiempo real del entorno dinámico de producción, las decisiones a tomar según el
estado del sistema juegan un papel muy importante. Con la Cuarta Revolución Industrial, el uso generalizado de las tecnologías de la
información en la industria, la Industria 4.0 y la capacidad de comunicarse entre sí a través del Internet de las cosas. Posteriormente, se
compararon las estrategias de puesto de trabajo / mostrador de carga según los tiempos de demora de las obras. El modelo de simulación
se ejecutó de acuerdo con tres tasas de demanda diferentes con la mejor estrategia de carga. Se observaron retrasos laborales y el estado
de los centros de negocios. Los datos obtenidos se evalúan con algoritmos de clasificación de minería de datos y se han determinado
diversas reglas para trabajos retrasados. Estas reglas se han agregado al modelo de simulación como mecanismo de decisión. De esta
forma, el modelo predice si el sistema experto lo retrasará cuando llegue un nuevo pedido a la empresa y pueda tomar la decisión de
utilizar la subcontratación para su producción. Con este enfoque se redujo aún más el número de trabajos retrasados, se observaron
retrasos en el trabajo y la situación de los centros de negocios. Los datos obtenidos se evalúan con algoritmos de clasificación de minería
de datos y se han determinado diversas reglas para trabajos retrasados. Estas reglas se han agregado al modelo de simulación como
mecanismo de decisión. De esta forma, el modelo predice si el sistema experto lo retrasará cuando llegue un nuevo pedido a la empresa y
pueda tomar la decisión de utilizar la subcontratación para su producción. Con este enfoque se redujo aún más el número de trabajos
retrasados, se observaron retrasos en el trabajo y la situación de los centros de negocios. Los datos obtenidos se evalúan con algoritmos de
clasificación de minería de datos y se han determinado diversas reglas para trabajos retrasados. Estas reglas se han agregado al modelo de
simulación como mecanismo de decisión. El modelo tal como está, Cuando llega un nuevo pedido a la empresa, el experto estima si se
retrasará o no, y puede decidir la subcontratación de su producción. Con este enfoque, el número de trabajos retrasados se ha reducido aún
más.Cuando llega un nuevo pedido a la empresa, el experto predice si se retrasará o no, y puede tomar la decisión de utilizar la
subcontratación para su producción. Con este enfoque, el número de trabajos retrasados se ha reducido aún más.Cuando llega un nuevo
pedido a la empresa, el experto predice si se retrasará o no, y puede tomar la decisión de utilizar la subcontratación para su producción.
Con este enfoque, el número de trabajos retrasados se ha reducido aún más. Con este enfoque, el número de trabajos retrasados se ha
reducido aún más.Cuando llega un nuevo pedido a la empresa, el experto predice si se retrasará o no, y puede tomar la decisión de utilizar
la subcontratación para su producción. Con este enfoque, el número de trabajos retrasados se ha reducido aún más.Cuando llega un nuevo
pedido a la empresa, el experto predice si se retrasará o no, y puede tomar la decisión de utilizar la subcontratación para su producción.
Con este enfoque, el número de trabajos retrasados se ha reducido aún más. Con este enfoque, el número de trabajos retrasados se ha
reducido aún más.Cuando llega un nuevo pedido a la empresa, el experto predice si se retrasará o no, y puede tomar la decisión de utilizar
la subcontratación para su producción. Con este enfoque, el número de trabajos retrasados se ha reducido aún más.Cuando llega un nuevo
pedido a la empresa, el experto predice si se retrasará o no, y puede tomar la decisión de utilizar la subcontratación para su producción.
Con este enfoque, el número de trabajos retrasados se ha reducido aún más.
Un diseño de sistema en tiempo real que utiliza minería de datos para la estimación de
pedidos y aplicaciones retrasados
DESTACAR
Modelado del sistema de producción del taller con datos en tiempo real
Uso de Data Mining para crear reglas de decisión para centros de trabajo
Determinar y reducir el número de pedidos probablemente retrasados
*
Sorumlu Yazar / Autor para correspondencia: kturker@kku.edu.tr ,ademgolec@erciyes.edu.tr ,aaktepe@kku.edu.tr ,
sersoz@kku.edu.tr , ipek@sakarya.edu.tr ,cagil@sakarya.edu.tr / Tel: +90 318 357 42 42/1007
710
Türker ve ark. / Revista de la Facultad de Ingeniería y Arquitectura de la Universidad de Gazi 35: 2 (2020)
709-724
1. INICIAR SESIÓN (INTRODUCCIÓN) entornos de producción se han visto muy afectados. Hoy en
día, la producción de computación en la nube grande,
En la producción tipo taller, que es uno de los tipos de computación orientada a servicios, Hizo posible los
producción, la producción se realiza principalmente por sistemas ciberfísicos gestionados por inteligencia artificial
encargo. Dado que los productos no tienen un flujo de y análisis de datos. Estas tecnologías y sistemas de
producción común, existen bancos de uso general en los fabricación inteligentes han creado el nuevo concepto de
centros de negocios. La gestión y coordinación de los revolución industrial "Industria 4.0". Este tema se aborda
recursos de producción en la producción tipo taller es en seis epígrafes (procesos y tecnologías de producción;
difícil. Esta dificultad hace que la implementación del materiales; datos; ingeniería predictiva; sostenibilidad e
sistema de planificación y control de la producción sea intercambio de recursos y redes) [5]. Con el desarrollo de
aún más importante. Se tienen en cuenta varios criterios de las tecnologías de la información y la comunicación y el
rendimiento al programar la producción. Estas; entregas aumento del tamaño de los datos obtenidos de estas
puntuales, minimización de retrasos, reducción del tiempo tecnologías, los entornos de producción se han visto muy
que las obras pasan en el sistema, minimización de afectados. Hoy en día, la fabricación ha habilitado sistemas
tiempos de espera y disminución de la tasa de uso de las ciberfísicos administrados por grandes computadores en la
estaciones de trabajo. La fecha de entrega la da la empresa nube, computación orientada a servicios, inteligencia
que realizó el pedido en empresas de producción tipo artificial y análisis de datos. Estas tecnologías y sistemas de
taller, y la entrega puntual de los pedidos es un criterio fabricación inteligentes han creado el nuevo concepto de
importante de desempeño. revolución industrial "Industria 4.0". Este tema se aborda
en seis epígrafes (procesos y tecnologías de producción;
Generalmente, la programación se realiza en producción materiales; datos; ingeniería predictiva; sostenibilidad e
tipo taller con reglas de carga de trabajo estáticas. Las intercambio de recursos y redes) [5]. Con el desarrollo de
reglas estáticas siguen siendo ineficaces ya que no tienen las tecnologías de la información y la comunicación y el
en cuenta problemas dinámicos de la vida real, como la aumento del tamaño de los datos obtenidos de estas
llegada continua de pedidos, problemas estocásticos de la tecnologías, los entornos de producción se han visto muy
vida real, como retrasos en el trabajo y averías de la afectados. Hoy en día, la manufactura es grande Este tema
máquina [2]. Muchos estudios anteriores se han centrado se cubre en seis epígrafes (procesos y tecnologías de
en las diferencias entre la teoría y la práctica de la producción; materiales; datos; ingeniería predictiva;
programación. Hay estudios que llaman la atención sobre sostenibilidad e intercambio de recursos y redes) [5]. Con
la diferencia entre la teoría y la práctica de la el desarrollo de las tecnologías de la información y la
programación y se han realizado para hacer que los comunicación y el aumento del tamaño de los datos
gráficos sean prácticos. También se ha dicho que la obtenidos de estas tecnologías, los entornos de producción
programación clásica en la práctica no satisface las se han visto muy afectados. Hoy en día, la producción es
necesidades de los entornos de producción [3, 4, 43]. grande Este tema se cubre en seis epígrafes (procesos y
tecnologías de producción; materiales; datos; ingeniería
Una de las funciones importantes de la gestión de la predictiva; sostenibilidad e intercambio de recursos y
producción es el control. El control es la supervisión de si redes) [5]. Con el desarrollo de las tecnologías de la
los resultados determinados de las actividades de información y la comunicación y el aumento del tamaño de
planificación se logran o no. Las actividades de los datos obtenidos de estas tecnologías, los entornos de
planificación y control tienen una estructura que funciona producción se han visto muy afectados. Hoy en día la
en conjunto. Los planes de producción se actualizan producción es grande
investigando las razones de la diferencia entre la
producción planificada y real. La diferencia entre lo
planificado y lo real indica la existencia de elementos que
no se pueden controlar en la producción. Hoy en día, los
entornos de producción evolucionan con computadoras,
bancos controlados por computadora, transporte
automatizado y sistemas de administración de almacenes.
Los sistemas de fabricación inteligentes aumentan el uso
de sensores, plataformas de procesamiento de
información, tecnologías de comunicación y simulaciones,
que son los elementos de producción de hoy y del futuro.
Por lo tanto, el análisis de sistemas de fabricación
inteligentes requiere técnicas de ingeniería predictiva y
modelado intensivo en datos. El Internet de las cosas ha
hecho posibles los sistemas ciberfísicos administrados por
computación en la nube, computación orientada a
servicios, inteligencia artificial y análisis de datos. Estas
tecnologías y sistemas de fabricación inteligentes han
creado el nuevo concepto de revolución industrial
"Industria 4.0". Este tema se aborda en seis epígrafes
(procesos y tecnologías de producción; materiales; datos;
ingeniería predictiva; sostenibilidad e intercambio de
recursos y redes) [5]. Con el desarrollo de las tecnologías
de la información y la comunicación y el aumento del
tamaño de los datos obtenidos de estas tecnologías, los
Türker ve ark. / Revista de la Facultad de Ingeniería y Arquitectura de la Universidad de Gazi 35: 2 (2020)
se ha convertido 709-724
en un proceso incierto en el que se las cosas han hecho posible monitorear los sistemas de
realizan tareas de escala con decisiones integradas bajo fabricación inteligentes en tiempo real. Por lo tanto, ha
restricciones complejas. Como resultado de la demanda sido posible volver a planificar con la situación y las
de un principio de gestión en tiempo real, dinámico, condiciones cambiantes del sistema. La extracción de
autoadaptativo y sensible, las técnicas y métodos información y patrones previamente desconocidos pero
utilizados en el estilo tradicional de gestión de la potencialmente útiles de grandes volúmenes de datos
producción son inadecuados. implícitos se define como minería de datos. En la gestión
de producción moderna, es posible recopilar y almacenar
Los gerentes de producción deben verificar sus sistemas datos que puedan reflejar las características de los
de producción en tiempo real para detectar errores. procesos de producción y descubrir información con
Necesitan técnicas eficaces para una estimación precisa herramientas de minería de datos. Luego, esta información
del tiempo de producción. Varios sistemas de y modelos se utilizan para la prevención y detección de
información como planificación de recursos defectos, mejora de la calidad, reducción del tiempo de
empresariales (ERP), sistema de ejecución de producción flujo, etc. Se puede utilizar para apoyar los procesos de
(MES), planificación de procesos asistida por producción en tales asuntos.
computadora (CAPP) utilizados en empresas, abundantes
datos sobre producción. Debe extraerse información útil La necesidad de analizar datos también ha incrementado la
de estos datos para aumentar la eficiencia de las aplicación de técnicas de Data Mining (VM) en el área de
decisiones de producción [6]. producción. Técnicas de VM basadas en datos recopilados
de producción; Se puede utilizar en la gestión de la
Hoy, con las aplicaciones de nuevas tecnologías como los producción (a) para encontrar problemas y irregularidades
sistemas de identificación por radiofrecuencia (RFID), desconocidas en la producción, (b) para determinar
Bluetooth, Wi-Fi y GSM, ha comenzado la era del moldes o reglas útiles y eficientes, (c) para ajustar el plan
Internet de las cosas. Tecnologías Avanzadas como de producción a tiempo, (d) para mejorar la eficiencia de
Tecnologías de Procesamiento de Imágenes, Código de la producción. y calidad del producto del trabajo. Como
Barras, RFID, equipos de recolección de verificación resultado, se puede lograr una gestión de producción
instantánea de telares pueden transformarse en práctica mediante técnicas de VM [8].
información utilizable al comunicarse con los elementos
de los sistemas, procesar datos instantáneos y tomar La subcontratación es la transferencia de un negocio,
decisiones para incrementar el rendimiento del sistema función o proceso realizado por una empresa a
[7, 37 , 38, 43]. proveedores externos. Para que las empresas respondan
más rápidamente a las condiciones cambiantes del
Los desarrollos recientes en las tecnologías de Internet de mercado satisfaciendo las demandas y necesidades
cambiantes de los clientes sin realizar grandes inversiones
711
Uno de los métodos importantes que se utilizan para
Se discute su uso en la solución. En la literatura, para el
aumentar la flexibilidad es la subcontratación. Los
problema abordado en este artículo, se utilizan
sistemas de producción tienen una estructura compleja
generalmente los enfoques de simulación, algoritmos de
debido a la gran cantidad de parámetros que afectan el
inteligencia artificial, sistemas inteligentes, minería de
desempeño en los sistemas de producción e interactúan
datos y métodos estadísticos.
entre sí. Es posible reducir esta complejidad aumentando
el número de parámetros medibles y controlables. El
Eguchi y col. [12] propuso un modelo de red neuronal
enfoque de simulación permite el modelado y análisis de
artificial para el problema de programación dinámica de
procesos y sistemas de la vida real en un entorno
talleres. El objetivo del estudio es desarrollar un modelo
informático. Se prefiere la simulación debido al
que pueda funcionar en un entorno dinámico y dé mejores
dinamismo del sistema de la vida real con menos tiempo y
resultados que las soluciones existentes, en lugar de
menor costo [9-11].
encontrar una solución óptima en un entorno de
producción estático. En el estudio, se obtuvieron mejores
El propósito de este estudio es evitar retrasos en la entrega resultados para el criterio de demora ponderada promedio
de pedidos entrantes en una empresa de producción tipo en comparación con las reglas WSPT, ATC, WSPT y W /
taller, con el potencial de retraso en el trabajo de Data CR.
Mining. Para ello, cuando se recibió un pedido, se
recopilaron datos sobre la carga actual en el taller a través
Aydın y Öztemel [13], por otro lado, desarrollaron un
de la red de sensores y se realizó un análisis simultáneo.
enfoque utilizando dos componentes diferentes, el agente
Como resultado de este análisis, si se concluye que el
y el entorno simulado. La mejor regla de asignación
pedido tiene un posible retraso, se ha tomado una decisión
adecuada para el entorno de producción se determina en
de subcontratación y se ha reducido el número de pedidos
tiempo real para el agente inteligente, y la programación
retrasados. Este trabajo se ha realizado con los siguientes
se realiza utilizando la regla seleccionada con la técnica de
pasos;
simulación. El soporte desarrollado en el estudio del
agente inteligente utilizado en el modelo se entrena con un
Se considera una empresa donde la producción no se
algoritmo de aprendizaje. Los resultados obtenidos con el
realiza por stock y solo si hay un pedido se realiza la
agente inteligente desarrollado se compararon con los
producción y hay una llegada de pedidos continua según
resultados obtenidos con algunas reglas de asignación
distribución exponencial. Aquí, se producen 20 piezas
[43].
diferentes con diferentes rutas y tiempos de procesamiento
de acuerdo con sus rutas en 10 centros de negocios. El
modelo de simulación ARENA [42] del sistema se creó Baykasoğlu y col. [14] se dio cuenta de la dinámica del
con el supuesto de que existe una red de sensores que sistema inmunológico artificial en un entorno de
puede detectar instantáneamente las condiciones simulación con modelos basados en múltiples agentes y la
cambiantes según el tiempo en el sistema diseñado. aplicó a la solución del problema del viajante de comercio.
Los resultados más realistas obtenidos con el algoritmo
Mediante la utilización de este modelo de simulación se basado en agentes muestran que los algoritmos
ha logrado un nivel satisfactorio en cuanto a la velocidad metaheurísticos también se pueden modelar sobre la base
de llegada de la demanda del sistema y el equilibrio del de factores. La capacidad de los sistemas basados en
número de telares requeridos en los centros de negocios de agentes para modelar sistemas dinámicos de manera eficaz
acuerdo con esta velocidad. Las reglas de asignación de es un resultado importante del estudio.
trabajos, la reducción del número de pedidos retrasados y
la entrega lo antes posible a la fecha de entrega han Yaman y col. [15] utilizó series de tiempo y modelos
abierto los criterios de rendimiento para las máquinas en ARIMA para preparar datos para su uso en el proceso de
la literatura y recientemente propuestos por nosotros. programación dinámica. En el estudio, las imágenes de
nivel de gris de los pasajeros que esperaban en la estación
El sistema fue operado a velocidades de demanda rápidas, de tren de alta velocidad se transfirieron al entorno
normales y lentas con el fin de mejorar los resultados informático y se apoyaron con métodos de procesamiento
obtenidos de la regla de asignación que produce el mejor de imágenes. Las llegadas de pasajeros se predijeron para
resultado de acuerdo con nuestros criterios de desempeño. períodos futuros a través del modelo establecido. Como
En total resultado de la aplicación, las llegadas de pasajeros se
Las condiciones de producción y el resultado del pedido pueden calcular numéricamente por minutos utilizando la
se obtuvieron cuando uno de los 30.000 pedidos llegó al técnica de procesamiento de imágenes en el sistema de
sistema. Estos datos se clasifican con técnicas de Data transporte ferroviario de alta velocidad y se pueden
Mining y se determinan las estructuras que provocan mostrar en un gráfico dinámico en un sistema de servicio.
retrasos. Al ingresar las estructuras que causan retrasos en
el modelo de simulación, el rendimiento del sistema se ha İpek [16] discutió el problema de determinar la fecha
incrementado por la producción de los pedidos recibidos límite en la programación dinámica de talleres con redes
de fuentes externas. neuronales artificiales en su tesis doctoral. Los criterios de
desempeño son la desviación absoluta media de la fecha
2. INVESTIGACIÓN DE LITERATURA de vencimiento, los cuadrados promedio de las
(INVESTIGACIÓN DE LITERATURA) desviaciones absolutas de la fecha de vencimiento, el
retraso positivo promedio, el número de trabajos
En la investigación de la literatura, el problema de retrasados positivos, el retraso negativo promedio y el
programación tipo taller dinámico de los métodos de número de noches negativas. El modelo de simulación
Inteligencia Artificial y Minería de Datos desarrollado en el estudio se utilizó para producir primero
datos y luego probarlos para redes neuronales artificiales compararon. Artificial
y otros cinco modelos de regresión diferentes que se
712
Se ha determinado que el modelo de red neuronal da
Se ha observado que da mejores resultados en términos de
mejores resultados en la medida de rendimiento del
minimización.
tiempo de procesamiento más corto.
Metano y col. [22] desarrolló un nuevo enfoque de
Göçken [17], por otro lado, es una prueba integral de
programación mediante la síntesis de esquemas de
modelos de simulación para investigar el efecto de cada
simulación, extracción de datos y control estadístico para
punto de decisión (entrada en el trabajo, liberación del
determinar las reglas de asignación en tiempo real. Los
trabajo, orientación prioritaria) en el concepto de control
árboles de decisión se desarrollan con datos de
de la carga de trabajo. También es un enrutamiento
producción. La asignación se realiza con reglas de
híbrido que se puede utilizar en la fase de enrutamiento
decisión seleccionadas del árbol de decisiones para un
prioritario con MEPAR-Miner, un algoritmo de minería de
período de programación. Los gráficos de control
datos, y puede ayudar a aumentar la eficiencia de otras
estadístico supervisan el rendimiento de determinación de
fases de decisión.
la regla de asignación de los árboles de decisión, y los
árboles de decisión se actualizan dinámicamente a medida
Gurbuz y col. [18] desarrolló el enfoque de que cambian los parámetros de producción. El enfoque
establecimiento de reglas con minería de datos sobre el desarrollado está modelado y aplicado para minimizar el
desarrollo de acciones correctivas y preventivas en los retraso promedio. Se afirma que el modelo desarrollado en
servicios de las aerolíneas. En el estudio, se afirmó que los estudios experimentales produce mejores resultados que
macrodatos se pueden modelar de manera efectiva en los otros modelos basados en simulación en la literatura.
sectores de producción y servicios con minería de datos, y
que no se pueden lograr mejoras con la minería de datos
Azadeh y col. [3] declararon en su estudio que determinar
para muchos sectores.
la regla de asignación apropiada es un problema
importante debido a la naturaleza estocástica de los
Köklü y col. [19] también propuso un nuevo método para sistemas de producción. En su trabajo, desarrollaron un
la extracción de reglas de datos de clases múltiples. El algoritmo para determinar las reglas de asignación óptimas
algoritmo CLONALG se utiliza para optimizar la función que minimizan el tiempo total de finalización con
de fitness. El éxito de la clasificación se determinó como simulación y redes neuronales artificiales. Las redes
una función de adecuación para la extracción de reglas. El neuronales artificiales se sintetizaron con la técnica de
método propuesto se aplicó en 4 conjuntos de datos simulación. El modelo obtenido arrojó mejores resultados
diferentes y se comparó con 8 algoritmos de clasificación que otros estudios sobre el tiempo total de finalización en
de minería de datos diferentes en la literatura. En la literatura.
comparación con otros métodos, se observó que se
obtuvieron resultados más exitosos y se redujo la
Sharma y Jain [23, 24] estudiaron el problema de
complejidad computacional.
programación dinámica de tipo taller en el entorno
estocástico y desarrollaron varias reglas. Tiempo total de
İsmail y col. [20] realizó una búsqueda bibliográfica sobre finalización del estudio, tiempo medio de flujo, tiempo
el uso de métodos de minería de datos en la planificación máximo de flujo, retardo medio, retardo máximo, número
y programación de la producción. Clasificaron los estudios de trabajos retrasados, tiempo total de preparación y
que examinaron en la investigación en términos de las tiempo medio de preparación La regla del tiempo de
bases de datos utilizadas, la información descubierta al preparación más corto es la mejor entre nueve reglas
final, las técnicas utilizadas y las aplicaciones realizadas. diferentes en comparación con el tiempo medio de flujo y
Además, examinaron los problemas de planificación de la el número de trabajos retrasados dio el resultado. Con una
producción a corto, mediano y largo plazo con la minería nueva regla desarrollada en el estudio, se obtuvo el mejor
de datos. Se utilizan modelos basados en información, valor entre otros criterios. En el segundo trabajo, el más
lógica difusa, algoritmo genético y redes neuronales corto (tiempo de entrega + tiempo de preparación +
artificiales en la programación tipo taller, algoritmo tiempo de procesamiento), el mismo tiempo de
genético en la planificación de la producción en masa y preparación y el más corto (tiempo de entrega + tiempo de
tiempos de entrega en el control del taller. preparación + operación), el mismo tiempo de preparación
y el menor tiempo suelto y el mismo tiempo de
Zhou y col. [21], por otro lado, probó el rendimiento del preparación y el menor tiempo suelto por unidad de
algoritmo de colonia de hormigas en problemas de trabajo. Zhong y col. [25], a diferencia de otros estudios,
programación de talleres dinámicos y aplicó la aplicación recopiló datos simultáneamente de un entorno de
a tres niveles de uso de máquinas diferentes, niveles de producción utilizando un sistema de identificación por
uso de trismlar, nivel de uso negativo, nivel de uso radiofrecuencia y analizó estos datos utilizando la minería
negativo. Los resultados del tiempo medio de flujo, el de datos. En el estudio se utilizaron árboles de decisión y
retardo medio y el número de salida total calculados con el se afirma que el uso simultáneo de datos mejora la
método desarrollado se compararon con los resultados determinación de las reglas de asignación [43]. [25], a
obtenidos con las otras reglas de asignación FIFO, SPT y diferencia de otros estudios, recopiló datos
MS. Mi método se desarrolló con el algoritmo de colonias simultáneamente de un entorno de producción utilizando
de hormigas en los casos en que la tasa de uso de la un sistema de identificación por radiofrecuencia y analizó
máquina no es muy alta en el estudio y la variabilidad del estos datos utilizando la minería de datos. Se utilizaron
tiempo de proceso no es demasiado. árboles de decisión en el estudio, Se afirma que el uso
simultáneo de datos mejora la determinación de las reglas
de asignación [43]. [25], a diferencia de otros estudios,
recopiló datos simultáneamente de un entorno de
producción utilizando un sistema de identificación por
radiofrecuencia y analizó estos datos utilizando la Karacan [26] utilizó métodos de minería de datos para
minería de datos. En el estudio se utilizaron árboles de facilitar el proceso de recolección de datos sobre los
decisión y se afirma que el uso simultáneo de datos parámetros de entrada del modelo de simulación
mejora la determinación de las reglas de asignación [43]. desarrollado en su tesis de maestría. Preprocesar los datos
y realizar análisis de conglomerados
713
ha desarrollado un enfoque basado en C # que muestra los
resultados para su realización y modelado. Bierwirth y Kuhpfahl [30] combinaron un algoritmo
metaheurístico con métodos de búsqueda locales para
Kulkarni y Venkatesvaran [27] desarrollaron un algoritmo minimizar el retraso ponderado total en la programación
de optimización basado en simulación llamado SbO para del tipo de taller, y los nuevos son ejemplos modelo. El
problemas de programación de talleres. En el estudio, se modelo desarrollado sobre la creación de árboles críticos
afirma que el problema clásico de programación de produce buenos resultados en términos de criterios de
talleres es un problema NP-Hard, y la programación de tiempo total de procesamiento. Xiong y col. [31] En un
enteros o algoritmos metaheurísticos se utilizan en la problema de programación dinámica con tiempos de
literatura para resolver estos problemas. En el estudio se liberación de trabajos y restricciones de prioridad técnica
afirma que se ha desarrollado un algoritmo híbrido para extendidas, se activa un modelo basado en simulación para
solucionar el problema. El algoritmo desarrollado ha sido determinar las reglas de asignación. Se enfatizó que el
probado en entornos deterministas y estocásticos, y ha diagrama ampliado de prioridades técnicas se abordó por
obtenido mejores resultados que el modelo clásico de primera vez para el problema del tipo de taller dinámico.
programación de enteros mixtos. Kück y col. [28] han Con el algoritmo de asignación basado en simulación
propuesto un algoritmo de optimización basado en desarrollado en el estudio, se redujo el tiempo total de
simulación para el control de sistemas de producción en retraso y el número de trabajos retrasados. Se destaca que
un entorno dinámico. Mal funcionamiento de la máquina, se obtienen mejores resultados que otros estudios en la
Se han tenido en cuenta los factores que pueden causar literatura. Rossit y col. [32], por otro lado, discutieron el
confusión, como la llegada de varios pedidos al mismo concepto de fabricación inteligente y el tema de la
tiempo. Han desarrollado un enfoque para reprogramar la programación inteligente, que enfatizan que tiene un lugar
producción de acuerdo con nuevas situaciones. Ersöz y importante en la actualidad. Con el fin de evitar la
necesidad de reprogramar la producción, desarrollaron el
col. [29] intentó adaptar la información en tiempo real
concepto de programación tolerante en un entorno
producida por sus sistemas utilizando RFID a las
dinámico. Tao y col.
actividades de planificación. Para eliminar la brecha entre
la teoría y la práctica, la estructura dinámica de los [33] examinó las innovaciones recientes en los sistemas de
entornos de producción se percibe instantáneamente y se producción y los enfoques y modelos de producción
rumorea la programación de la urea de acuerdo con la inteligente que salieron a la luz con la Industria 4.0. En el
estudio se ha realizado el análisis del ciclo de vida de los
nueva situación y condiciones. Ha aumentado la
datos en producción y se explica el uso de big data en
trazabilidad de los productos mientras se producen en la
producción. Se han desarrollado modelos conceptuales
fábrica y se han minimizado las esperas o paradas
sobre el uso de big data en producción y
innecesarias [43]. Han desarrollado un enfoque para
reprogramar la producción de acuerdo con nuevas 714
situaciones. Ersöz y col. [29] Intentaron adaptar la
información en tiempo real producida por sus sistemas
utilizando RFID a las actividades de planificación. Para
eliminar la brecha entre la teoría y la práctica, la estructura
dinámica de los entornos de producción se percibe
instantáneamente y se rumorea la programación de la urea
de acuerdo con la nueva situación y condiciones. Ha
aumentado la trazabilidad de los productos mientras se
producen en la fábrica y se han minimizado las esperas o
paradas innecesarias [43]. Han desarrollado un enfoque
para reprogramar la producción de acuerdo con nuevas
situaciones. Ersöz y col. [29] intentó adaptar la
información en tiempo real producida por sus sistemas
utilizando RFID a las actividades de planificación. Para
eliminar la brecha entre la teoría y la práctica,
Programación de urea acorde a la nueva situación y
condiciones que se presenten al detectar instantáneamente
la estructura dinámica de los ambientes de producción. Ha
aumentado la trazabilidad de los productos mientras se
producen en la fábrica y se han minimizado las esperas o
paradas innecesarias [43]. Para eliminar la brecha entre la
teoría y la práctica, la estructura dinámica de los entornos
de producción se percibe instantáneamente y se rumorea la
programación de la urea de acuerdo con la nueva situación
y condiciones. Ha aumentado la trazabilidad de los
productos mientras se producen en la fábrica y se han
minimizado las esperas o paradas innecesarias [43]. Para
eliminar la brecha entre la teoría y la práctica, la estructura
dinámica de los entornos de producción se percibe
instantáneamente y se rumorea la programación de la urea
de acuerdo con la nueva situación y condiciones.
El uso de macrodatos para sectores se explica con
ejemplos [43]. Larsen y Marco [4] discutieron el
problema de la reprogramación dinámica en lugar del
problema de la programación dinámica mencionado hasta
ahora. Debido a la alta probabilidad de paradas
inesperadas en la producción, propusieron un algoritmo
para resolver el problema de reprogramación. Hay
parámetros de resolución y control en el algoritmo
desarrollado. Con el solucionador, el problema resuelto
según el entorno estático se transfiere al entorno
dinámico con los parámetros de control.
NORMAS DE NOMBRAMIENTO
3.
UTILIZADAS EN EL TRABAJO
(ENVIANDO LAS REGLAS UTILIZADAS EN EL ESTUDIO)
Entre estos valores determinados en estas reglas, el más πyo t (4)
pequeño
La asignación se realiza seleccionando uno. ,k yo PÁGINAS
yo, j
jk
3.1.1 Reglas creadas según los valores del negocio.
(Reglas creadas con valores de trabajos) En tercer lugar, la tasa de prioridad determinada por la
proporción del tiempo restante para la entrega con el
La primera de estas reglas es el tiempo de procesamiento tiempo necesario para completar el trabajo es la prioridad
más pequeño. Aquí, el valor de prioridad de los trabajos es más baja. Aquí, tenga el valor más pequeño entre la
el tiempo de procesamiento del trabajo en el centro de Ecuación 5 y los valores de relación crítica calculados se
trabajo (Ecuación 1). Entre los trabajos que esperan frente seleccionan como el trabajo que se asignará al centro de
al puesto de trabajo, se selecciona el trabajo con el menor trabajo [43].
tiempo de procesamiento en el puesto de trabajo como el
trabajo a asignar [43]. [Tasa de prioridad = (Tiempo restante del trabajo) /
(Tiempo necesario para finalizar el trabajo)].
πyo,
yo, (un norteyo
k
k o) πyo Tyo P (5)
,k t Á
GI
N
A
Syo
,j
norteyo
El segundo es el tiempo de trabajo total restante más
pequeño. Aquí, el valor de prioridad de los trabajos es el
tiempo necesario para que finalicen todos los procesos
restantes (Ecuación 2). El trabajo con el valor de prioridad
más pequeño entre los trabajos que esperan frente al
centro de trabajo se selecciona como el trabajo que se
asignará.
j
k
La primera es la primera regla operativa que llega al
primer sistema. Aquí, el valor de prioridad de las obras es
3.1.3 Normas establecidas según el orden de llegada de el momento en que la obra llega al sistema (Ecuación 6).
las obras Ante el sistema entre los trabajos que esperan frente al
(Reglas creadas de acuerdo con terminos de trabajo) centro de negocios
π yo, k (2d el trabajo entrante se selecciona como el trabajo que se
PÁGINA o) asignará.
Syo, j
jk
715
π yo, La suma de los tiempos de espera medios en las siguientes
yo (6)
k estaciones se toma como tiempo de espera estimado.
Calculado teniendo en cuenta estas posibles esperas
La segunda es la primera regla operativa que llega al El trabajo con el menor valor de tiempo disponible
centro de negocios. aquí (Ecuación 8) se selecciona para ser asignado.
El valor de prioridad de los trabajos es el momento en que
el trabajo llega al centro de negocios (Ecuación 7). Aquí, norteyo norteyo
el trabajo que llega primero al centro de trabajo entre los
W
'
trabajos que esperan frente al centro de negocios se
selecciona como el trabajo que se asignará.
[43]. πyo t yo, j (8)
,k yo PÁGIN
ASyo, j
Holthaus y Rajendran [37] afirman que esta regla, que está 3.3 Reglas hash (Reglas híbridas)
incluida en la literatura, da buenos resultados en la
minimización del tiempo medio de flujo de las obras. En Las reglas de asignación para un trabajo que es candidato
los casos en que la tasa de utilización del taller es alta y a nombramiento calculan diferentes valores de prioridad.
los plazos se establecen de forma limitada, esta regla Se obtiene un nuevo valor de prioridad sumando los
también minimiza los retrasos y el porcentaje de retraso valores de prioridad determinados de las reglas de
[43]. En segundo lugar, el trabajo con el menor tiempo asignación a combinar en las reglas hash. Este valor se
restante para la entrega de acuerdo con los posibles utiliza para determinar el trabajo que se seleccionará para
tiempos de espera de los trabajos es la regla de prioridad. la asignación. Las reglas de asignación de hash incluidas
En este enfoque, en primer lugar, el candidato a la en este estudio se dan a continuación:
designación
716 En la regla de asignación SPT + LTWR; Se determina el
tiempo de procesamiento total restante de los trabajos en
espera en la cola para ser asignados y se utiliza como
prioridad para la asignación el valor obtenido sumando el
tiempo de procesamiento de los trabajos en ese centro de
trabajo a este valor.
EL ENFOQUE DE SOLUCIÓN
4.
DESARROLLADO EN EL ESTUDIO
(EL ENFOQUE DE WORM'S DESARROLLADO EN ESTE
ESTUDIO)
Figura 2. Plano representativo del diseño del taller (Plano representativo del diseño del taller) [43]
Deben completarse las operaciones anteriores. Tiene m Muestra que se puede encontrar y entregar. Cuando se
diferentes operaciones, una en agua, una en agua y una en examinan estas series de razones, se ve que existe una
el centro. No hay cancelación del pedido. El agua se estructura similar a la distribución exponencial. Además,
procesa hasta que se completa un pedido. Dado que las la distribución exponencial que teóricamente puede
obras no están controladas de ninguna manera, no hay generar valores entre cero e infinito para modelar pedidos
desperdicio. Se ha descuidado el tiempo necesario para urgentes se considera una distribución adecuada a este
trasladar puestos de trabajo entre centros de trabajo. Se respecto. En consecuencia, las fechas de entrega de los
permite el stock intermedio frente a los centros de pedidos se determinan mediante la Ecuación 9 que figura a
negocios. continuación [43, 44].
20 10
(9)
Los trabajos pueden esperar a que se descargue la
TT
yo
máquina. i1
Esposa las máquinas en sus centros pueden j1
Tabla 3. Número de máquinas en los centros de negocios (Número de máquinas en los centros de
trabajo) [44]
Es Centre İşM-1İŞM-2 IsM IsM IsM IsM IsM IsM IsM IsM-
-3 -4 -5 -6 -7 -8 -9 10
Número de máquinas 12 2do 3 3 2do 2do 2do uno uno
20000000
18000000
Cuadrados medios de desviación
16000000
14000000
12000000
10000000
8000000
6000000
4000000
2000000
0
Reglas de asignación
Figura 3. Suma de los cuadrados de las desviaciones de las fechas de entrega (Suma de
cuadrados Desviaciones de la fecha de vencimiento)
Un conjunto de datos de 30.000 obtenido, denominado Eğer im4> 5157 ve Toplam> 11356 ise “sipariş gecikir”.
"Weka 3: Software de minería de datos en Java" [41], que Eğer im4> 6146 ve Toplam <= 11356 ise “sipariş
lleva el nombre de un ave no voladora que se encuentra gecikir”.
solo en las islas de Nueva Zelanda, no ha sido clasificado Eğer im4 <= 5157 ve im5 <= 6371 ise “sipariş gecikir”.
por el injerto j48 del programa de minería de datos de Eğer im4> 2807 ve im4 <= 5157 ve im5> 1815 ve im5
Weka. <= 6371 ve Toplam> 10393 ve im2> 2807 ise “sipariş
gecikir”.
Se han probado varios algoritmos como algoritmo de Eğer im4 <= 5157 ve im5 <= 6371 ve Toplam> 10393
clasificación y se ha decidido procesar los datos con el ve im2 <= 2807 ve im7> 2946 ve MusaitZ <= 2140 ise
algoritmo J48 Injerto, que produce los resultados más “sipariş gecikir”.
satisfactorios. Dado que las rutas de cada parte del sistema
son diferentes, las reglas contienen partes.
Şekil 4. Parça 1 için sınıflandırma karar ağacı (Árbol de decisión de clasificación para la parte 1)
720
Şekil 5. Parça 1 için yapılan sınıflandırmaya ait uyum istatistikleri (Estadísticas de bondad de ajuste para la clasificación de la parte
1)
721
Şekil 6. Sistemin işleyişi (El flujo de trabajo del sistema)
5. SONUÇLAR VE TARTIŞMALAR
(RESULTADOS Y DISCUSIONES)
incelendiğinde teslim tarihini dikkate alan; EDD, SLACK,
PR ve SEWT atama kurallarının daha iyi sonuç ürettiği
Bu çalışmanın sonuçları Veri Madenciliği ile geliştirilen görülmektedir. Bununla beraber su bir atama kuralının da
modelden elde edilen bulgular ve Endüstri 4.0'ın dinamik gecikmelere sebep olabildiği gözlemlenmiştir. Söz konusu
çizelgeleme ve planlama faaliyetlerine getirdiklerinin gecikmeleri de dikkate almak ve azaltmak için daha
değerlendirilmesi olmak üzere içıkı aşamadamak. derinlikli bir yaklaşıma ihtiyaç duyulduğu aşikârdır. Bu
Öncelikle geciken sipariş sayısı ve teslim tarihinden sebeple, sistemden benzetim ile elde edilen veri setleri
sapmaların kareleri ortalaması açısından sonuçlar Veri Madenciliği sınıflama algoritmaları ile işlenmiş,
geciken işlerle ilgili kurallar belirlenmiş ve bunlara göre
722 bir uzman
sistem oluşturulmuştur. Uzman sistem ile gecikme Enstitüsü, Estambul, Türkiye, 2012.
potansiyeli olan işlerin dış kaynak kullanımına 3. Azadeh, A., Negahban, A. ve Moghaddam, M., Un
yönlendirilmesi kararı ile geciken işlerin sayısının önemli algoritmo híbrido de simulación por computadora-red
oranda azaldığı gözlenmiştir. Bu da memnum müşteri neuronal artificial para la optimización de la selección
sayısının artmasına, geç teslimlerden kaynaklanacak olan de reglas de despacho en problemas estocásticos de
tazminatların azalmasına neden olacaktır. İlave olarak programación de talleres, International Journal of
sistemde aynı anda bulunan sipariş adedindeki düşüş ile de Production Research, 50 (2), 551– 566, 2012.
atölye sahasının daha kolay kontrol edilebilmesi 4. Larsen, R. ve Marco, P., Un marco para problemas de
sağlanmıştır. Bununla birlikte Endüstri 4.0 vizyonu ile reprogramación dinámica, International Journal of
tesis edilecek işletmelerde, nesnelerin interneti sayesinde Production Research, 1-18, 2018.
dinamik platformlardan çok daha kolay ve anlık veri
toplama imkânı elde edilecektir. Böylece sistemin
kontrolü daha etkin olacaktır. Toplanan veriler ile oluşan
büyük veriler doğru şekilde analiz edilerek sistemin
ögeleri arasında oluşan iç dinamikler çözümlenerek
rasyonel kararların alınması sağlanacaktır. Sistemden elde
edilen anlık veriler ile literatürdeki çalışmalarda yer alan
varsayımların birçoğu ortadan kaldırılarak teori ile
uygulama arasındaki farkın kapatılması mümkün
olacaktır. Söz konusu veriler ile planlama faaliyetinde
kullanılan işlem süresi gibi verilerin doğrulamasının
yapılması mümkün olacaktır. Oluşacak bu büyük verinin
analizi ile sistemin hangi durumda ne tür tepkiler vereceği
öğrenileceğinden, sisteme entegre edilecek yapay zekâ
ve / veya makine öğrenmesi yaklaşımları ile kendi kendini
yöllolucabilen akulı ile kendi kendini yönetebilen akulı.
Söz konusu veriler ile planlama faaliyetinde kullanılan
işlem süresi gibi verilerin doğrulamasının yapılması
mümkün olacaktır. Oluşacak bu büyük verinin analizi ile
sistemin hangi durumda ne tür tepkiler vereceği
öğrenileceğinden, sisteme entegre edilecek yapay zekâ
ve / veya makine öğrenmesi yaklaşımları ile kendi kendini
yöllolucabilen akulı ile kendi kendini yönetebilen akulı.
Söz konusu veriler ile planlama faaliyetinde kullanılan
işlem süresi gibi verilerin doğrulamasının yapılması
mümkün olacaktır. Oluşacak bu büyük verinin analizi ile
sistemin hangi durumda ne tür tepkiler vereceği
öğrenileceğinden, sisteme entegre edilecek yapay zekâ
ve / veya makine öğrenmesi yaklaşımları ile kendi kendini
yöllolucabilen akulı ile kendi kendini yönetebilen akulı.
KAYNAKLAR (REFERENCIAS)
723
20. Ismail, R., Zalinda, O.ve Azuraliza, AB, Data Mining
restricciones de precedencia técnica, European
in Production Planning and Scheduling: A Review,
Journal of Operational Research, 257, 13-24, 2017.
2nd Conference on Data Mining and Optimization,
32. Rossit, DA, Tohme, F.ve Frutos, M., Industria 4.0:
Selangor, Malasia, 154-159, 27-28 de octubre de
Programación inteligente, Revista internacional de
2009.
investigación de producción, 1-12, 2018.
21. Zhou, R., Nee, AYC ve Lee, HP, Rendimiento de un
33. Tao, F., Qi, Q., Liu, A. ve Kusiak, A., Fabricación
algoritmo de optimización de colonias de hormigas en
inteligente basada en datos, Journal of Manufacturing
problemas de programación dinámica de talleres,
Systems, 48, 157-168, 2018.
International Journal of Production Research, 47 (11),
34. Cheng, Y., Chen, K., Sun, H., Zhang, Y.ve Tao, F.,
2903-2920, 2009.
Minería de datos y conocimiento con big data hacia
22. Metan, G., Sabuncuoğlu, İ. ve Pierreval, H., Selección
una producción inteligente, Journal of Industrial
en tiempo real de reglas de programación y extracción
Information Integration, 9, 1-13, 2018.
de conocimiento mediante minería de datos
35. Gupta, AK; Sivakumar, AI. Técnicas de
controlada dinámicamente, International Journal of
programación de talleres de trabajo en la fabricación
Production Research, 48 (23), 6909–6938, 2010.
de semiconductores. En t. Revista de tecnología de
23. Sharma, P. ve Jain, A., Análisis de las reglas de
fabricación avanzada, 2006, 27 (11-12), 1163-1169,
despacho en un sistema de fabricación de taller
DOI: https://doi.org
dinámico estocástico con tiempos de preparación
/10.1007/s00170-004-2296-z.
dependientes de la secuencia, Frontiers of Mechanical
36. Kapanoglu, M., Alikalfa, M. Aprender las reglas de
Engineering, 9 (4), 380–389, 2014.
prioridad SI-ENTONCES para talleres de trabajo
24. Sharma, P. ve Jain, A., Nuevas reglas de despacho
dinámicos que utilizan algoritmos genéticos. Robótica
orientadas a la configuración para un sistema de
y fabricación integrada por computadora, 2010. 27
fabricación de taller dinámico estocástico con tiempos
(1), 47-55, DOI:
de configuración dependientes de la secuencia,
https://doi.org/10.1016/j.rcim.2010.06.001, 2010.
Ingeniería concurrente: Investigación y aplicaciones,
37. Holthaus, O., Rajendran, C. Reglas de despacho
24 (1), 58-68, 2016.
eficientes para la programación en un taller de trabajo.
25. Zhong, RY, Huang, GQ, Dai, QY ve Zhang, T.,
En t. Revista de Economía de la Producción, 1997, 48
Mining SOT y reglas de despacho a partir de datos de
(1), 87-105, DOI: 10.1016 / S0925- 5273 (96) 00068-
producción en el taller en tiempo real habilitados para
0,1997.
RFID, J Intell Manuf, 25, 825–843, 2014.
38. Jayamohan MS, Rajendran C. Nuevas reglas de
26. Karacan, İ., Minería de datos para el modelado de
despacho para la programación de tiendas: un paso
entrada de simulación, Master Tezi, Academia Naval
adelante. Revista Internacional de Investigación de la
de Turquía, Estambul, 2014.
Producción, 38 (3), 563-586, 2000.
27. Kulkarni, K.ve Venkateswaran, J., Enfoque híbrido
39. Chiang TC y Fu LC Uso de reglas de despacho para la
que utiliza la optimización basada en simulación para
programación del taller de trabajo con objetivos
problemas de programación de talleres, Journal of
basados en la fecha de vencimiento. International
Simulation, 9 (4), 312-324, 2015.
Journal of Production Research, julio de 2007, 45
28. Kück, M., Ehm, J., Freitag, M., Frazzon, EM ve
(17), 15, 3245–3262, 2007.
Ricardo, P., A Data-Driven Simulation-Based
40. Dileepan, P. & Ahmadi, M. Reglas de programación
Optimization Approach for Adaptive Scheduling and
para un pequeño Jop-Shop dinámico: un enfoque de
Control of Dynamic Manufacturing Systems,
simulación. Int J. Simul Model, 9 (4), 173-183, 2010.
Advanced Materials Research, 1140, 449 -456, 2016.
41. Weka 3: Software de minería de datos en Java, (https: //
29. Ersöz S., Türker AK, Aktepe A. ve diğerleri. Üretim
www
Süreçlerinin Optimizasyonunda RFID Teknolojisi ve
.cs.waikato.ac.nz / ml / weka).
Uzman Sistem Temelli Tümleşik Yapının ERP
42. ARENA Simülasyon Yazılımı, (https: // www.
Sistemine Entegrasyonu ve FNSS Savunma Sistemleri
rockwellautomation.com/rockwellsoftware/ simulation.
A.Ş.'de Uygulanması. SAN-TEZ Projesi Sonuç
página).
Raporu, 2017.
43. Türker, AK; Aktepe, A .; Inal, AF; Ersoz, OO; Das,
30. Bierwirth, C. ve Kuhpfahl, J., GRASP extendido para
GS Birgoren, B. Un sistema de apoyo a la toma de
el problema de programación del taller de trabajo con
decisiones para la programación dinámica de trabajos
objetivo de tardanza ponderada total, European
y talleres utilizando datos en tiempo real con
Journal of Operational Research, 261, 835-848, 2017.
simulación. Matemáticas, 7, 278, 2019.
31. Xiong, H., Fan, H., Jiang, G. ve Li, G., Un estudio
44. İnal, AF Atölye Tipi Üretimde Dinamik Çizelgeleme
basado en simulación de las reglas de despacho en un
Problemi İçin Tezgâh Yükleme Kurallarının
problema de programación de taller dinámico con
Kıyaslanması, Yüksek Lisans Tezi, Kırıkkale
liberación de lotes y
Üniversitesi, (Danışman: Türker, AK), 2018.