Revista de la Facultad de Ingeniería y Arquitectura de la Universidad de Gazi 35: 2 (2020)

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

Aspectos destacados: gráfico / tabular Resumen

 Modelado del sistema Los pedidos, que se reciben continuamente en el tipo de producción taller, se asignan a los centros de trabajo
de producción del taller según las rutas y se producen. Con la estructura compleja y dinámica de las fábricas, el estudio de la situación
con datos en tiempo en tiempo real del sistema se ha vuelto más importante. Con los avances de la Cuarta Revolución Industrial
real (Industria 4.0), se pueden obtener big data del sistema en tiempo real. En este estudio, los datos reales se
 Uso de Data Mining evalúan con un modelo de simulación que fue creado con ARENA®. Luego se comparan las estrategias de
para crear reglas de carga de trabajo y se encuentra el estado de demora de los pedidos. Finalmente, se utilizan algoritmos de
decisión para centros de clasificación de minería de datos y sistema experto para desarrollar estrategias de reducción de trabajos
trabajo retrasados.
 Determinando y
reducir el número de
pedidos probablemente
retrasados

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

Un diseño e implementación de un sistema en tiempo real basado en la minería de datos

para la estimación del retraso de los pedidos
Ahmet Kürşad Türker1 * , Adem Göleç2 Adnan Aktepe1 , Suleyman Ersöz1 , Mümtaz İpek3 , Gultekin Cagil3
1kırıkkal University, Industrial Engineering Department, 71450, Kirikkale, Turkey 2erciyes University, Industrial Engineering Department,
38039, Kayseri, Turkey 3sakki to, Ürümümümü me, 38039, Kayseri, Turkey 3sakiyeary, Turquía 3sakki to

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

Información del artículo RESUMEN

Trabajo de investigación recibido: 05.11.2018
Admisión: 22.10.2019

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

Artículo Info RESUMEN

Artículo de En los sistemas de producción de taller, los pedidos se asignan a los centros de trabajo de acuerdo con sus
investigación recibido: rutas y sus operaciones se realizan en este orden. La producción se vuelve cada vez más compleja con el
05.11.2018 creciente número de líneas de productos y centros de trabajo con diferentes rutas. Las decisiones que
Aceptado: 22.10.2019 deben tomarse de acuerdo con la supervisión en tiempo real de un entorno de producción dinámico se han
vuelto importantes. Con la Cuarta Revolución Industrial, las tecnologías de la información se utilizan
DOI: ampliamente en las industrias. Una gran cantidad de datos se obtienen de herramientas de producción que
10.17341 / son capaces de comunicarse entre sí a través de Industry 4.0 e internet de las cosas. En este estudio se ha
gazimmfd.478648 creado un modelo de simulación de un sistema de producción que puede recolectar datos en tiempo real
mediante sensores en los centros de trabajo y se han determinado las condiciones de operación. Entonces,
Palabras clave: centro de trabajo
Simulación de / Las estrategias de carga de la máquina se compararon de acuerdo con los períodos de retraso de los
Industria 4.0 trabajos. El modelo de simulación con la mejor estrategia de carga se ejecutó de acuerdo con tres tasas de
outsourcing de demanda diferentes. Luego se obtuvieron datos relacionados con el estado de demora de los pedidos y el
minería de datos de estado de los centros de trabajo. Los datos se evaluaron con algoritmos de clasificación de minería de
programación datos y se determinaron reglas para trabajos retrasados. Estas reglas se agregaron al modelo de
dinámica simulación como mecanismo de decisión. Cuando se recibe un pedido en este modelo, el sistema experto
estima si habrá o no un retraso y toma la decisión de subcontratar la producción del pedido si es
necesario. Este enfoque reduce aún más el número de pedidos 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)
En la producción tipo taller, que es uno de los tipos de
producción, la producción se realiza principalmente por
encargo. Dado que los productos no tienen un flujo de
producción común, existen bancos de uso general en los
centros de negocios. La gestión y coordinación de los
recursos de producción en la producción tipo taller es
difícil. Esta dificultad hace que la implementación del
sistema de planificación y control de la producción sea
aún más importante. Se tienen en cuenta varios criterios de
rendimiento al programar la producción. Estas; entregas
puntuales, minimización de retrasos, reducción del tiempo
que las obras pasan en el sistema, minimización de
tiempos de espera y disminución de la tasa de uso de las
estaciones de trabajo. La fecha de entrega la da la empresa
que realizó el pedido en empresas de producción tipo
taller, y la entrega puntual de los pedidos es un criterio
importante de desempeño.
Generalmente, la programación se realiza en producción
tipo taller con reglas de carga de trabajo estáticas. Las
reglas estáticas siguen siendo ineficaces ya que no tienen
en cuenta problemas dinámicos de la vida real, como la
llegada continua de pedidos, problemas estocásticos de la
vida real, como retrasos en el trabajo y averías de la
máquina [2]. Muchos estudios anteriores se han centrado
en las diferencias entre la teoría y la práctica de la
programación. Hay estudios que llaman la atención sobre
la diferencia entre la teoría y la práctica de la
programación y se han realizado para hacer que los
gráficos sean prácticos. También se ha dicho que la
programación clásica en la práctica no satisface las
necesidades de los entornos de producción [3, 4, 43].
Una de las funciones importantes de la gestión de la
producción es el control. El control es la supervisión de si
los resultados determinados de las actividades de
planificación se logran o no. Las actividades de
planificación y control tienen una estructura que funciona
en conjunto. Los planes de producción se actualizan
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
entornos de producción se han visto muy afectados. Hoy en
día, la producción de computación en la nube grande,
computación orientada a servicios, Hizo posible los
sistemas ciberfísicos gestionados por 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 entornos de producción se han visto muy
afectados. Hoy en día, la fabricación ha habilitado sistemas
ciberfísicos administrados por grandes computadores 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 entornos de producción se han visto muy
afectados. Hoy en día, la manufactura es grande Este tema
se cubre 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 entornos de producción
se han visto muy afectados. Hoy en día, la producción es
grande Este tema se cubre 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 entornos de
producción se han visto muy afectados. Hoy en día la
producción es grande
 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
realizan tareas de escala con decisiones integradas bajo
restricciones complejas. Como resultado de la demanda
de un principio de gestión en tiempo real, dinámico,
autoadaptativo y sensible, las técnicas y métodos
utilizados en el estilo tradicional de gestión de la
producción son inadecuados.
Los gerentes de producción deben verificar sus sistemas
de producción en tiempo real para detectar errores.
Necesitan técnicas eficaces para una estimación precisa
del tiempo de producción. Varios sistemas de
información como planificación de recursos
empresariales (ERP), sistema de ejecución de producción
(MES), planificación de procesos asistida por
computadora (CAPP) utilizados en empresas, abundantes
datos sobre producción. Debe extraerse información útil
de estos datos para aumentar la eficiencia de las
decisiones de producción [6].
Hoy, con las aplicaciones de nuevas tecnologías como los
sistemas de identificación por radiofrecuencia (RFID),
Bluetooth, Wi-Fi y GSM, ha comenzado la era del
Internet de las cosas. Tecnologías Avanzadas como
Tecnologías de Procesamiento de Imágenes, Código de
Barras, RFID, equipos de recolección de verificación
instantánea de telares pueden transformarse en
información utilizable al comunicarse con los elementos
de los sistemas, procesar datos instantáneos y tomar
decisiones para incrementar el rendimiento del sistema
[7, 37 , 38, 43].
Los desarrollos recientes en las tecnologías de Internet de
las cosas han hecho posible monitorear los sistemas de
fabricación inteligentes en tiempo real. Por lo tanto, ha
sido posible volver a planificar con la situación y las
condiciones cambiantes del sistema. La extracción de
información y patrones previamente desconocidos pero
potencialmente útiles de grandes volúmenes de datos
implícitos se define como minería de datos. En la gestión
de producción moderna, es posible recopilar y almacenar
datos que puedan reflejar las características de los
procesos de producción y descubrir información con
herramientas de minería de datos. Luego, esta información
y modelos se utilizan para la prevención y detección de
defectos, mejora de la calidad, reducción del tiempo de
flujo, etc. Se puede utilizar para apoyar los procesos de
producción en tales asuntos.
La necesidad de analizar datos también ha incrementado la
aplicación de técnicas de Data Mining (VM) en el área de
producción. Técnicas de VM basadas en datos recopilados
de producción; Se puede utilizar en la gestión de la
producción (a) para encontrar problemas y irregularidades
desconocidas en la producción, (b) para determinar
moldes o reglas útiles y eficientes, (c) para ajustar el plan
de producción a tiempo, (d) para mejorar la eficiencia de
la producción. y calidad del producto del trabajo. Como
resultado, se puede lograr una gestión de producción
práctica mediante técnicas de VM [8].
La subcontratación es la transferencia de un negocio,
función o proceso realizado por una empresa a
proveedores externos. Para que las empresas respondan
más rápidamente a las condiciones cambiantes del
mercado satisfaciendo las demandas y necesidades
cambiantes de los clientes sin realizar grandes inversiones
711
Uno de los métodos importantes que se utilizan para
aumentar la flexibilidad es la subcontratación. Los
sistemas de producción tienen una estructura compleja
debido a la gran cantidad de parámetros que afectan el
desempeño en los sistemas de producción e interactúan
entre sí. Es posible reducir esta complejidad aumentando
el número de parámetros medibles y controlables. El
enfoque de simulación permite el modelado y análisis de
procesos y sistemas de la vida real en un entorno
informático. Se prefiere la simulación debido al
dinamismo del sistema de la vida real con menos tiempo y
menor costo [9-11].
El propósito de este estudio es evitar retrasos en la entrega
de pedidos entrantes en una empresa de producción tipo
taller, con el potencial de retraso en el trabajo de Data
Mining. Para ello, cuando se recibió un pedido, se
recopilaron datos sobre la carga actual en el taller a través
de la red de sensores y se realizó un análisis simultáneo.
Como resultado de este análisis, si se concluye que el
pedido tiene un posible retraso, se ha tomado una decisión
de subcontratación y se ha reducido el número de pedidos
retrasados. Este trabajo se ha realizado con los siguientes
pasos;
Se considera una empresa donde la producción no se
realiza por stock y solo si hay un pedido se realiza la
producción y hay una llegada de pedidos continua según
distribución exponencial. Aquí, se producen 20 piezas
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
con el supuesto de que existe una red de sensores que
puede detectar instantáneamente las condiciones
cambiantes según el tiempo en el sistema diseñado.
Mediante la utilización de este modelo de simulación se
ha logrado un nivel satisfactorio en cuanto a la velocidad
de llegada de la demanda del sistema y el equilibrio del
número de telares requeridos en los centros de negocios de
acuerdo con esta velocidad. Las reglas de asignación de
trabajos, la reducción del número de pedidos retrasados y
la entrega lo antes posible a la fecha de entrega han
abierto los criterios de rendimiento para las máquinas en
la literatura y recientemente propuestos por nosotros.
El sistema fue operado a velocidades de demanda rápidas,
normales y lentas con el fin de mejorar los resultados
obtenidos de la regla de asignación que produce el mejor
resultado de acuerdo con nuestros criterios de desempeño.
En total
Las condiciones de producción y el resultado del pedido
se obtuvieron cuando uno de los 30.000 pedidos llegó al
sistema. Estos datos se clasifican con técnicas de Data
Mining y se determinan las estructuras que provocan
retrasos. Al ingresar las estructuras que causan retrasos en
el modelo de simulación, el rendimiento del sistema se ha
incrementado por la producción de los pedidos recibidos
de fuentes externas.
2. INVESTIGACIÓN DE LITERATURA
(INVESTIGACIÓN DE LITERATURA)
En la investigación de la literatura, el problema de
programación tipo taller dinámico de los métodos de
Inteligencia Artificial y Minería de Datos
Se discute su uso en la solución. En la literatura, para el
problema abordado en este artículo, se utilizan
generalmente los enfoques de simulación, algoritmos de
inteligencia artificial, sistemas inteligentes, minería de
datos y métodos estadísticos.
Eguchi y col. [12] propuso un modelo de red neuronal
artificial para el problema de programación dinámica de
talleres. El objetivo del estudio es desarrollar un modelo
que pueda funcionar en un entorno dinámico y dé mejores
resultados que las soluciones existentes, en lugar de
encontrar una solución óptima en un entorno de
producción estático. En el estudio, se obtuvieron mejores
resultados para el criterio de demora ponderada promedio
en comparación con las reglas WSPT, ATC, WSPT y W /
CR.
Aydın y Öztemel [13], por otro lado, desarrollaron un
enfoque utilizando dos componentes diferentes, el agente
y el entorno simulado. La mejor regla de asignación
adecuada para el entorno de producción se determina en
tiempo real para el agente inteligente, y la programación
se realiza utilizando la regla seleccionada con la técnica de
simulación. El soporte desarrollado en el estudio del
agente inteligente utilizado en el modelo se entrena con un
algoritmo de aprendizaje. Los resultados obtenidos con el
agente inteligente desarrollado se compararon con los
resultados obtenidos con algunas reglas de asignación
[43].
Baykasoğlu y col. [14] se dio cuenta de la dinámica del
sistema inmunológico artificial en un entorno de
simulación con modelos basados en múltiples agentes y la
aplicó a la solución del problema del viajante de comercio.
Los resultados más realistas obtenidos con el algoritmo
basado en agentes muestran que los algoritmos
metaheurísticos también se pueden modelar sobre la base
de factores. La capacidad de los sistemas basados en
agentes para modelar sistemas dinámicos de manera eficaz
es un resultado importante del estudio.
Yaman y col. [15] utilizó series de tiempo y modelos
ARIMA para preparar datos para su uso en el proceso de
programación dinámica. En el estudio, las imágenes de
nivel de gris de los pasajeros que esperaban en la estación
de tren de alta velocidad se transfirieron al entorno
informático y se apoyaron con métodos de procesamiento
de imágenes. Las llegadas de pasajeros se predijeron para
períodos futuros a través del modelo establecido. Como
resultado de la aplicación, las llegadas de pasajeros se
pueden calcular numéricamente por minutos utilizando la
técnica de procesamiento de imágenes en el sistema de
transporte ferroviario de alta velocidad y se pueden
mostrar en un gráfico dinámico en un sistema de servicio.
İpek [16] discutió el problema de determinar la fecha
límite en la programación dinámica de talleres con redes
neuronales artificiales en su tesis doctoral. Los criterios de
desempeño son la desviación absoluta media de la fecha
de vencimiento, los cuadrados promedio de las
desviaciones absolutas de la fecha de vencimiento, el
retraso positivo promedio, el número de trabajos
retrasados positivos, el retraso negativo promedio y el
número de noches negativas. El modelo de simulación
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
mejores resultados en la medida de rendimiento del
tiempo de procesamiento más corto.
Göçken [17], por otro lado, es una prueba integral de
modelos de simulación para investigar el efecto de cada
punto de decisión (entrada en el trabajo, liberación del
trabajo, orientación prioritaria) en el concepto de control
de la carga de trabajo. También es un enrutamiento
híbrido que se puede utilizar en la fase de enrutamiento
prioritario con MEPAR-Miner, un algoritmo de minería de
datos, y puede ayudar a aumentar la eficiencia de otras
fases de decisión.
Gurbuz y col. [18] desarrolló el enfoque de
establecimiento de reglas con minería de datos sobre el
desarrollo de acciones correctivas y preventivas en los
servicios de las aerolíneas. En el estudio, se afirmó que los
macrodatos se pueden modelar de manera efectiva en los
sectores de producción y servicios con minería de datos, y
que no se pueden lograr mejoras con la minería de datos
para muchos sectores.
Köklü y col. [19] también propuso un nuevo método para
la extracción de reglas de datos de clases múltiples. El
algoritmo CLONALG se utiliza para optimizar la función
de fitness. El éxito de la clasificación se determinó como
una función de adecuación para la extracción de reglas. El
método propuesto se aplicó en 4 conjuntos de datos
diferentes y se comparó con 8 algoritmos de clasificación
de minería de datos diferentes en la literatura. En
comparación con otros métodos, se observó que se
obtuvieron resultados más exitosos y se redujo la
complejidad computacional.
İsmail y col. [20] realizó una búsqueda bibliográfica sobre
el uso de métodos de minería de datos en la planificación
y programación de la producción. Clasificaron los estudios
que examinaron en la investigación en términos de las
bases de datos utilizadas, la información descubierta al
final, las técnicas utilizadas y las aplicaciones realizadas.
Además, examinaron los problemas de planificación de la
producción a corto, mediano y largo plazo con la minería
de datos. Se utilizan modelos basados en información,
lógica difusa, algoritmo genético y redes neuronales
artificiales en la programación tipo taller, algoritmo
genético en la planificación de la producción en masa y
tiempos de entrega en el control del taller.
Zhou y col. [21], por otro lado, probó el rendimiento del
algoritmo de colonia de hormigas en problemas de
programación de talleres dinámicos y aplicó la aplicación
a tres niveles de uso de máquinas diferentes, niveles de
uso de trismlar, nivel de uso negativo, nivel de uso
negativo. Los resultados del tiempo medio de flujo, el
retardo medio y el número de salida total calculados con el
método desarrollado se compararon con los resultados
obtenidos con las otras reglas de asignación FIFO, SPT y
MS. Mi método se desarrolló con el algoritmo de colonias
de hormigas en los casos en que la tasa de uso de la
máquina no es muy alta en el estudio y la variabilidad del
tiempo de proceso no es demasiado.
Se ha observado que da mejores resultados en términos de
minimización.
Metano y col. [22] desarrolló un nuevo enfoque de
programación mediante la síntesis de esquemas de
simulación, extracción de datos y control estadístico para
determinar las reglas de asignación en tiempo real. Los
árboles de decisión se desarrollan con datos de
producción. La asignación se realiza con reglas de
decisión seleccionadas del árbol de decisiones para un
período de programación. Los gráficos de control
estadístico supervisan el rendimiento de determinación de
la regla de asignación de los árboles de decisión, y los
árboles de decisión se actualizan dinámicamente a medida
que cambian los parámetros de producción. El enfoque
desarrollado está modelado y aplicado para minimizar el
retraso promedio. Se afirma que el modelo desarrollado en
estudios experimentales produce mejores resultados que
otros modelos basados en simulación en la literatura.
Azadeh y col. [3] declararon en su estudio que determinar
la regla de asignación apropiada es un problema
importante debido a la naturaleza estocástica de los
sistemas de producción. En su trabajo, desarrollaron un
algoritmo para determinar las reglas de asignación óptimas
que minimizan el tiempo total de finalización con
simulación y redes neuronales artificiales. Las redes
neuronales artificiales se sintetizaron con la técnica de
simulación. El modelo obtenido arrojó mejores resultados
que otros estudios sobre el tiempo total de finalización en
la literatura.
Sharma y Jain [23, 24] estudiaron el problema de
programación dinámica de tipo taller en el entorno
estocástico y desarrollaron varias reglas. Tiempo total de
finalización del estudio, tiempo medio de flujo, tiempo
máximo de flujo, retardo medio, retardo máximo, número
de trabajos retrasados, tiempo total de preparación y
tiempo medio de preparación La regla del tiempo de
preparación más corto es la mejor entre nueve reglas
diferentes en comparación con el tiempo medio de flujo y
el número de trabajos retrasados dio el resultado. Con una
nueva regla desarrollada en el estudio, se obtuvo el mejor
valor entre otros criterios. En el segundo trabajo, el más
corto (tiempo de entrega + tiempo de preparación +
tiempo de procesamiento), el mismo tiempo de
preparación y el más corto (tiempo de entrega + tiempo de
preparación + operación), el mismo tiempo de preparación
y el menor tiempo suelto y el mismo tiempo de
preparación y el menor tiempo suelto por unidad de
trabajo. Zhong y col. [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 minería
de datos. En el estudio se utilizaron árboles de decisión y
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 minería de datos. Se utilizaron
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
minería de datos. En el estudio se utilizaron árboles de
decisión y se afirma que el uso simultáneo de datos
mejora la determinación de las reglas de asignación [43].
Karacan [26] utilizó métodos de minería de datos para
facilitar el proceso de recolección de datos sobre los
parámetros de entrada del modelo de simulación
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.

Cheng y col. [34] hace hincapié en que los algoritmos de

minería de datos deben utilizarse para el uso eficaz de
macrodatos en un entorno de producción dinámico.

Cuando la asignación de trabajo a la máquina se evalúa

en términos de reglas de prioridad, se ha creado una
nueva regla en nuestro estudio. En esta nueva regla de
asignación; Según los datos instantáneos obtenidos del
sistema, el valor de prioridad se determina como la
prioridad del trabajo (tiempo de inactividad por tiempo
de espera estimado: SEWT) según los posibles tiempos
de espera de los trabajos. Asimismo, a partir de ahora se
desarrollarán muchas nuevas reglas de asignación
basadas en los datos que se obtendrán mediante la
monitorización en tiempo real del sistema. Cuando se
examinaron los estudios en la literatura, se observó que la
inteligencia artificial y modelos basados en Data Mining
se desarrollaron para determinar las reglas de asignación
en la programación dinámica del tipo de taller. Los
estudios se centran en los criterios de tiempos totales de
finalización, tiempos totales de flujo y minimización de
retrasos.

La inteligencia artificial y la minería de datos son dos de

los elementos importantes de la Industria 4.0. En nuestro
estudio, se utilizó uno de los métodos de minería de
datos, la técnica de clasificación y el sistema experto.
Como resultado del estudio de la literatura, se crearon
moldes o reglas para la estimación de pedidos que
pueden retrasarse según los datos recopilados de la
producción mediante el método de clasificación. No se ha
encontrado un enfoque que aumente la eficiencia de la
gestión de la producción con un sistema experto agregado
al sistema utilizando estas reglas. A diferencia de los
estudios en la literatura, con el modelo dinámico
desarrollado en nuestro estudio, prediciendo los trabajos
con alta probabilidad de retraso con data mining y
sistema experto y agregándolos a los demás. Este aspecto
de nuestro artículo agrega originalidad a nuestro trabajo.

NORMAS DE NOMBRAMIENTO
3.
UTILIZADAS EN EL TRABAJO
(ENVIANDO LAS REGLAS UTILIZADAS EN EL ESTUDIO)

Muchos investigadores han utilizado muchas reglas de

asignación en el problema de programación para
optimizar los objetivos que han determinado en la
producción tipo taller [1, 35-40, 43, 44]. Estructura
dinámica, compleja y difícil con la lista de trabajos a
producir cambiando debido a los pedidos continuos
ocurre. En estos casos, las reglas de asignación se pueden
El tercero es el menor número restante de transacciones en
desarrollar aún más rápidamente. No es posible optimizar
su ruta. Aquí, el valor de prioridad de los trabajos es el
todos los criterios de desempeño del sistema con las reglas
número de transacciones restantes. Entre los trabajos que
que solo designan de acuerdo a los valores del negocio
esperan frente al puesto de trabajo, se selecciona el valor
tales como tiempo de llegada, fecha de entrega y tiempos
de prioridad más bajo como trabajo a asignar.
de procesamiento.
3.1.2 Normas establecidas según la fecha de entrega
Para un trabajo que es candidato a nombramiento, se (Reglas creadas según fechas de vencimiento)
calcula el valor de prioridad, diferente de la regla de
asignación de agua. De acuerdo con la regla que se La primera es la fecha de entrega más temprana. Aquí, el
utilizará posteriormente, se selecciona y asigna al puesto valor de prioridad de los trabajos son las fechas de entrega
de trabajo el trabajo con el mayor o menor valor entre de las transacciones (Ecuación 3). Mientras se determina
estos valores. Las expresiones matemáticas que se el trabajo que se asignará al centro de trabajo, se
utilizarán para determinar el valor de prioridad en las selecciona el trabajo con el valor de prioridad más bajo de
reglas de asignación y sus significados se dan en la Tabla los trabajos que esperan ser procesados frente al centro de
1. Las reglas de asignación son varias trabajo [43].
Se puede clasificar de diferentes formas. Para ser utilizado
en este estudio
las reglas de asignación a continuación
En caso de es clasificado.
πyo  (3)
,k yo

El segundo es el tiempo que queda para la menor entrega.

3.1 Reglas basadas en el trabajo (Reglas basadas en trabajos)
Aquí, el trabajo con el valor de prioridad más bajo
(Ecuación 4) obtenido al restar el tiempo de entrega del
En este tipo de reglas de asignación, ignorando las
trabajo, el tiempo en que se entrega el trabajo y el tiempo
interdependencias entre los puestos de trabajo, la
total restante de procesamiento del trabajo, se procesa en
aplicación de los trabajos entrantes a procesar en el
el centro de trabajo secuela. .
sistema para ver algunas características y valores que
tienen.  norte
 yo

Entre estos valores determinados en estas reglas, el más πyo   t  (4)
pequeño
La asignación se realiza seleccionando uno. ,k yo  PÁGINAS
yo, j 
 jk 
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
jk

Tabla 1. Expresiones utilizadas en las relaciones (Nomenclatura en ecuaciones) [43]

yo: trabajo noj: Operación nok: operación actual
No
πyo yo k tu trabajo. valor de prioridad en n yo número de operaciones del trabajo
funcionamiento o
, k
yo el momento en que su trabajo llega al sistema
rt
T yo fecha límite de trabajo
e yo. tu trabajo j. hora de llegar a la operación
yo
yo tu trabajo j. tiempo de y
PÁ procesamiento en funcionamiento o
GI U
N
N
y
AS o
yo, j GRAMO yo, j
' yo tu trabajo j. Posible tiempo de espera en Tiempo de simulación en el momento del
W yo, j
funcionamiento
t cálculo

715
 π yo, 
yo (6)
k estaciones se toma como tiempo de espera estimado.
La segunda es la primera regla operativa que llega al
centro de negocios. aquí
El valor de prioridad de los trabajos es el momento en que
el trabajo llega al centro de negocios (Ecuación 7). Aquí,
el trabajo que llega primero al centro de trabajo entre los
trabajos que esperan frente al centro de negocios se
selecciona como el trabajo que se asignará.
[43].
π yo, k 
yo, (7)
j jk
3.2 Reglas por estado del taller
(Reglas según puesto de taller)
Con el fin de aumentar la eficiencia en las fábricas
inteligentes del futuro, que se intenta dar forma en el
marco del enfoque de Industria 4.0, los elementos y
subsistemas que componen el sistema no se han integrado
entre sí. Para esta integración, las máquinas que son
independientes entre sí deben trabajar de manera
inteligente comunicándose con otras máquinas. La
monitorización del proceso podrá realizarse de forma
integral y eficaz en una relación de causa y efecto gracias
a los datos simultáneos que se pueden obtener de la
máquina y otras unidades. Las máquinas podrán planificar
sus propios recursos de producción para poder producir
una producción ajustada y justo a tiempo. Gracias a la
Internet de los objetos en el ámbito de la Industria 4.0,
será posible recopilar datos de forma más sencilla desde
plataformas dinámicas. Con estos datos recopilados se
analizará correctamente el big data generado y se tomarán
decisiones racionales. Así, será posible cerrar la diferencia
entre teoría y práctica con los estudios a realizar. Hasta
hace poco, no se disponía de datos en tiempo real para
mostrar la situación actual del taller. Por ello, son muy
habituales las reglas de asignación que pueden renovar los
valores de prioridad de los trabajos por sí mismos con
datos en tiempo real que se producen de acuerdo con los
cambios y situaciones que se producen en función del
funcionamiento del taller. Con estos desarrollos
tecnológicos que se están produciendo hoy, las reglas de
asignación que permitirán que los datos generados en una
estructura dinámica sean detectados instantáneamente y
evaluados simultáneamente, comenzarán cada vez más. En
este marco se presentan a continuación dos reglas de
asignación. Así, será posible cerrar la diferencia entre
teoría y práctica con los estudios a realizar. Hasta hace
poco, no se disponía de datos en tiempo real para mostrar
la situación actual del taller. Por ello, son muy habituales
las reglas de asignación que pueden renovar los valores de
prioridad de los trabajos por sí mismos con datos en
tiempo real que se producen de acuerdo con los cambios y
situaciones que se producen en función del
funcionamiento del taller. Con estos desarrollos
tecnológicos que se están produciendo hoy, las reglas de
asignación que permitirán que los datos generados en una
estructura dinámica sean detectados instantáneamente y
evaluados simultáneamente, comenzarán cada vez más. En
este marco se presentan a continuación dos reglas de
La suma de los tiempos de espera medios en las siguientes
Calculado teniendo en cuenta estas posibles esperas
El trabajo con el menor valor de tiempo disponible
(Ecuación 8) se selecciona para ser asignado.
 norteyo norteyo

 W
'
πyo   t  yo, j (8)
,k yo  PÁGIN 
ASyo, j
 jk 
asignación. Así, será posible cerrar la diferencia entre teoría
y práctica con los estudios a realizar. Hasta hace poco, no
se disponía de datos en tiempo real para mostrar la
situación actual del taller. Por ello, son muy habituales las
reglas de asignación que pueden renovar los valores de
prioridad de los trabajos por sí mismos con datos en tiempo
real que se producen de acuerdo con los cambios y
situaciones que se producen en función del funcionamiento
del taller. Con estos desarrollos tecnológicos que se están
produciendo hoy, las reglas de asignación que permitirán
que los datos generados en una estructura dinámica sean
detectados instantáneamente y evaluados simultáneamente,
comenzarán cada vez más. En este marco se presentan a
continuación dos reglas de asignación. Hasta hace poco, no
se disponía de datos en tiempo real para mostrar la
situación actual del taller. Por ello, son muy habituales las
reglas de asignación que pueden renovar los valores de
prioridad de los trabajos por sí mismos con datos en tiempo
real que se producen de acuerdo con los cambios y
situaciones que se producen en función del funcionamiento
del taller. Con estos desarrollos tecnológicos que se están
produciendo hoy, las reglas de asignación que permitirán
que los datos generados en una estructura dinámica sean
detectados instantáneamente y evaluados simultáneamente,
comenzarán cada vez más. En este marco se presentan a
continuación dos reglas de asignación. Hasta hace poco, no
se disponía de datos en tiempo real para mostrar la
situación actual del taller. Por ello, son muy habituales las
reglas de asignación que pueden renovar los valores de
prioridad de los trabajos por sí mismos con datos en tiempo
real que se producen de acuerdo con los cambios y
situaciones que se producen en función del funcionamiento
del taller. Con estos desarrollos tecnológicos que se están
produciendo hoy, las reglas de asignación que permitirán
que los datos generados en una estructura dinámica sean
detectados instantáneamente y evaluados simultáneamente,
comenzarán cada vez más. En este marco se presentan a
continuación dos reglas de asignación. Con estos
desarrollos tecnológicos que se están produciendo hoy, las
reglas de asignación que permitirán que los datos
generados en una estructura dinámica sean detectados
instantáneamente y evaluados simultáneamente,
comenzarán cada vez más. En este marco se presentan a
continuación dos reglas de asignación. Con estos
desarrollos tecnológicos que se están produciendo hoy, las
reglas de asignación que permitirán que los datos
generados en una estructura dinámica sean detectados
instantáneamente y evaluados simultáneamente,
comenzarán cada vez más. En este marco se presentan a
continuación dos reglas de asignación.
El primero es determinar la carga de trabajo total del
próximo centro de negocios. El tiempo requerido para la
finalización de los trabajos que esperan en las próximas
estaciones en las rutas de los trabajos que esperan frente al
centro de negocios se determina como el valor de
prioridad del trabajo y el primero para el valor más bajo.
Holthaus y Rajendran [37] afirman que esta regla, que está
incluida en la literatura, da buenos resultados en la
minimización del tiempo medio de flujo de las obras. En
los casos en que la tasa de utilización del taller es alta y
los plazos se establecen de forma limitada, esta regla
también minimiza los retrasos y el porcentaje de retraso
[43]. En segundo lugar, el trabajo con el menor tiempo
restante para la entrega de acuerdo con los posibles
tiempos de espera de los trabajos es la regla de prioridad.
En este enfoque, en primer lugar, el candidato a la
designación
716
El tercero es la carga de trabajo total del próximo centro
de negocios y la regla con el tiempo de procesamiento más
corto. Para que se asignen los trabajos en espera en la cola,
el centro de trabajo con el valor más bajo se determina de
acuerdo con el método WINQ. Si hay más de un trabajo
para enviar a este centro de trabajo más tarde, se
selecciona para asignar el trabajo con el menor tiempo de
procesamiento.
3.3 Reglas hash (Reglas híbridas)
Las reglas de asignación para un trabajo que es candidato
a nombramiento calculan diferentes valores de prioridad.
Se obtiene un nuevo valor de prioridad sumando los
valores de prioridad determinados de las reglas de
asignación a combinar en las reglas hash. Este valor se
utiliza para determinar el trabajo que se seleccionará para
la asignación. Las reglas de asignación de hash incluidas
en este estudio se dan a continuación:
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.
En la regla de asignación SPS + ECT; El valor obtenido al
sumar el orden de llegada de los trabajos al número
restante de procesos en espera en la cola para ser
asignados se utiliza como valor de prioridad para la
asignación.
En la regla de asignación de WinQ + PT; El valor
obtenido al sumar los tiempos de procesamiento de los
trabajos en ese centro de negocios a la carga de trabajo
total en el siguiente centro de trabajo donde se asignan los
trabajos en espera en la cola.
De esta forma es posible duplicar las reglas de asignación
de hash.
EL ENFOQUE DE SOLUCIÓN
4.
DESARROLLADO EN EL ESTUDIO
(EL ENFOQUE DE WORM'S DESARROLLADO EN ESTE
ESTUDIO)
El enfoque de solución desarrollado en nuestro estudio
utilizando técnicas de minería de datos se muestra en la
Figura 1.
4.1.Creando el modelo de arena (Modelo de arena de
construcción)
Türker et al., Que realiza una producción tipo taller, inicia
la producción con la llegada del pedido y donde el pedido
se recibe continuamente. [43] y dado un diseño de taller
representativo en la Figura 2,
 Figura 1. Etapas del estudio (Etapas del estudio)

Figura 2. Plano representativo del diseño del taller (Plano representativo del diseño del taller) [43]

Se ha diseñado una empresa virtual en cumplimiento de

también se puede dar un intervalo de tiempo de entrega.
Industria 4.0, donde se pueden obtener datos instantáneos
Esto debe incluir un elemento de aleatoriedad que también
con los equipos de recolección de datos en los
tenga en cuenta la naturaleza de los pedidos entrantes (o
mostradores, donde la producción se realiza en 10 centros
urgente normal) al determinar el intervalo de tiempo de la
de negocios conocidos. Aquí, las rutas y los tiempos de
fecha de entrega. En nuestro estudio, una nueva Igualdad
procesamiento unitario de las 20 piezas que se producirán
(Igualdad
se determinan en función de las partes de una empresa que
9) se ha utilizado.
producen la mayoría de las piezas y la Tabla 2.
El funcionamiento del sistema es el siguiente: Los trabajos
Se asume que el pedido entrante puede ser de cualquier
que ingresan al sistema para producción se dirigen al
producto (la probabilidad de tener un pedido de 20
primer centro de negocios en su ruta. Si el puesto de
productos es igual) y el tamaño del pedido entrante puede
trabajo está vacío se inicia el proceso, si está lleno se
tener cualquier valor entre 10 y 30. En consecuencia, se
mantiene en cola para ser procesado. Si hay trabajos
aseguran las llegadas aleatorias de acuerdo con la
esperando en la cola cuando el puesto de trabajo está
velocidad de llegada del pedido y, en cada escenario, la
vacío, el trabajo a asignar se selecciona y procesa de
ejecución de la simulación se completa cuando se realiza
acuerdo con el valor de prioridad calculado de la regla de
la producción de los 5000 pedidos creados al mismo
asignación determinada. Los trabajos terminados se
tiempo. Por lo tanto, se ha eliminado la posibilidad de que
dirigen al siguiente centro de negocios en su ruta y se
un pedido se atasque en el sistema debido a las reglas de
someten a los mismos procedimientos en este centro de
asignación. Para un escenario de agua, los mismos pedidos
negocios. Así, la producción se completa asegurando que
se crean al mismo tiempo, lo que permite la comparación
todos los centros de negocio sean visitados en el recorrido
uno a uno de los pedidos. Así, fue posible hacer
de las obras. SimulaciónEl modelo fue creado con los
evaluaciones más realistas. Los números de pedido de los
siguientes supuestos
productos dentro de estos 5000 pedidos se dan en la Tabla
2.
El agua es un orden (trabajo) un todo. El trabajo se forma
pasando por diferentes operaciones en diferentes centros
de negocios. Por lo tanto, dos operaciones del mismo
trabajo nunca pueden ocurrir simultáneamente. No es
posible dividir el pedido. Para que se inicie cualquier
operación de la orden
717
 Tabla 2. Rutas de trabajos y tiempos de procesamiento unitario (Rutas de trabajo y tiempos de
proceso unitario) [43, 44]

Operaci Proceso Proceso Proceso Operació Operaci Proceso7 ordene

ón1 2 3 4 n5 ón6 la
cantida
d
Pist IsM-1 IsM-2 IsM-5 IsM-4 IsM-7 229
a1 (8) (12) (12) (7) (13)
Trac IsM-1 IsM-5 IsM-4 IsM-8 IsM-6 231
k2 (8) (19) (12) (15) (10)
Trac IsM-1 IsM-4 IsM-3 IsM-6 IsM-9 248
k3 (10) (8) (6) (8) (9)
Trac IsM-1 IsM-6 IsM-3 IsM-4 IsM-5 IsM-9 IsM-10 267
k4 (9) (10) (10) (10) (14) (8) (10)
Trac IsM-1 IsM-4 IsM-3 IsM-5 IsM-10 IsM-9 277
k5 (9) (10) (8) (15) (11) (5)
Trac IsM-1 IsM-2 IsM-3 IsM-4 IsM-5 IsM-6 IsM-10 248
k6 (9) (10) (8) (11) (10) (9) (14)
Trac IsM-2 IsM-3 IsM-4 IsM-5 IsM-8 IsM-9 240
k7 (13) (11) (10) (16) (18) (9)
Trac IsM-2 IsM-4 IsM-5 IsM-7 IsM-8 IsM-9 247
k8 (14) (14) (13) (14) (18) (10)
Trac IsM-2 IsM-5 IsM-4 IsM-7 IsM-10 231
k9 (12) (9) (11) (16) (14)
Track IsM-2 IsM-3 IsM-4 IsM-8 IsM-7 IsM-6 256
10 (13) (9) (7) (14) (14) (10)
Track IsM-2 IsM-5 IsM-6 267
11 (11) (10) (10)
Track IsM-2 IsM-5 IsM-4 IsM-8 IsM-9 249
12 (10) (11) (10) (17) (12)
Track IsM-2 IsM-5 IsM-4 IsM-3 IsM-6 IsM-9 249
13 (12) (12) (10) (8) (8) (7)
Track IsM-2 IsM-5 IsM-4 IsM-3 IsM-6 IsM-7 IsM-10 243
14 (13) (10) (11) (8) (9) (17) (12)
Track IsM-3 IsM-6 IsM-4 IsM-8 IsM-7 258
15 (10) (9) (11) (17) (15)
Track IsM-3 IsM-5 IsM-4 IsM-7 263
16 (9) (10) (9) (18)
Track IsM-3 IsM-4 IsM-8 216
17 (8) (7) (15)
Track IsM-3 IsM-5 IsM-4 IsM-6 280
18 (9) (10) (10) (8)
Track IsM-3 IsM-4 IsM-7 IsM-6 236
19 (8) (9) (15) (11)
Pista IsM-3 IsM-5 IsM-4 IsM-8 IsM-6 265
20 (8) (11) (9) (15) (12)

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.  i1
Esposa las máquinas en sus centros pueden j1

permanecer vacías. Máquinas nunca

no se deteriora y está disponible durante todo el período
de programación. Se ha elaborado un modelo de
simulación del sistema con ARENA de acuerdo a lo aquí
expresado.
4.2. Determinación de las condiciones óptimas de trabajo
del sistema.
(Determinación de las condiciones de trabajo más adecuado del sistema)
El modelo de simulación del sistema diseñado creado con
ARENA ha sido probado de acuerdo con la regla de
asignación operable por orden de llegada a varias tasas de
llegada de pedidos según la distribución exponencial. Los
resultados encontrados son las tasas de utilización de la
capacidad de los centros de negocios y la formación de
colas en estos centros de negocios (si la longitud de la cola
aumenta continuamente dependiendo del tiempo y causa
un cuello de botella, y el resultado es una distribución
exponencial promedio de 65 como la velocidad de llegada
de pedidos y el Se ha llevado a cabo la producción de la
lista de órdenes dinámicas que cambia continuamente en
el sistema.
Para obtener la correlación que da la fecha de entrega, se
ejecutó el sistema creado de acuerdo con la regla de
asignación por orden de llegada y se encontraron los
períodos de tiempo gastados por los pedidos en el sistema.
Una relación se obtiene restando los tiempos de
procesamiento del pedido de los valores encontrados y
dividiéndolo por el tiempo de procesamiento repetido.
Esta tasa es aproximadamente cuántas veces se procesan
los tiempos de procesamiento de los pedidos entrantes sin
ser procesados en el sistema.
718
En esta Igualdad; Dado que no es muy probable que el
pedido entrante pueda entregarse al final del tiempo de
producción requerido, se ha tomado "k" como una tasa de
renovación fija y, por lo tanto, los pedidos se toman como
una cuota de grupa fija a esta tasa. Según el valor medio
(μ) que recibirá la distribución exponencial, se
proporciona para crear ancho o densidad en la
determinación de la fecha de entrega de los pedidos. En
este estudio, el valor k se tomó como 1,5 y el valor medio
como 1,5.
Nuestro modelo de simulación se operó en las condiciones
dadas anteriormente, de acuerdo con las combinaciones de
varios números de máquina en el centro de negocios. El
número de máquinas que no crean un cuello de botella en
el sistema y producen resultados satisfactorios se indican
en la Tabla 3.
4.3 Determinación de la regla de asignación de máquina
más adecuada
(Determinación de las reglas de despacho más adecuada)
FIFO, SPT, SPS, EDD, LTWR, SLACK, PR descrito en la
sección anterior, SPT + LTWR, SPS + ECT, SPT + SPS,
WinQ + PT, WinQ (SPT)
y las reglas de asignación SEWT se utilizaron para obtener
los valores de las variables de salida del sistema de
acuerdo con 13 escenarios diferentes. Mismos números
aleatorios para 5000 pedidos recibidos en el sistema
Se ejecutó el modelo de escenario de agua. Por lo tanto, en
todos los escenarios, los pedidos se crean al mismo tiempo
y se asigna la misma fecha de entrega. Por lo tanto, se
realizaron comparaciones y evaluaciones más realistas.
En la vida real, es deseable que la entrega de un pedido
sea lo más cercana posible a la fecha de entrega. La
finalización anticipada de la orden resultará en costos de
stock y la finalización tardía dará lugar a la insatisfacción
del cliente y / o multas por entrega tardía. No se requiere
lo positivo (entrega anticipada) y lo negativo (entrega
tardía) de las desviaciones de la fecha de entrega. Mirar la
suma de las desviaciones para evaluar las desviaciones de
la fecha de vencimiento puede llevarnos a conclusiones
engañosas. Por ello, en nuestro estudio, se tomó como
criterio de ejecución el cuadrado medio de las
desviaciones en el momento de entrega de los pedidos.
Los valores de este criterio obtenidos de los escenarios se
muestran en la Tabla 4 y Figura 3. Para determinar la
mejor regla de asignación, el número de pedidos
retrasados y el
Se utiliza la media de las desviaciones cuadradas de la
fecha de vencimiento de la fecha de vencimiento.
Cuando se examinan los resultados, el resultado es el
método de asignación de prioridad de la fecha de entrega
(EDD) que tiene en cuenta directamente la fecha de
entrega y la regla de asignación SLACK, que tiene en
cuenta el tiempo restante a medida que avanza el trabajo
de acuerdo con las rutas en el sistema. . Si sumamos el
número de trabajos retrasados a nuestro análisis (Tabla 4),
la regla de asignación SLACK que causa el trabajo menos
retrasado se vuelve aún más prominente.
4.4 Preparación de conjunto de datos para minería de
datos
(Preparación de datos para minería de datos)
Dado que la regla de asignación SLACK es más
prominente según la suma de los cuadrados de las
desviaciones de las fechas de entrega de los pedidos y el
número de trabajos retrasados, se ha elegido como regla
de asignación para la carga de trabajos en la máquina. Para
mejorar aún más los resultados aquí obtenidos, las cargas
de los telares en el momento en que llega un pedido al
sistema, la carga total del taller, el tiempo requerido para
la producción del pedido y

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)

Cuadro 4. Número de pedidos anticipados y retrasados y el número medio de pedidos en

el sistema
(El número de pedidos entregados antes y después y la media de los números de pedido en el sistema)

FIFO SPT SPS EDD LTWR FLOJO PR

Temprano 3.679 4.693 3.846 4.811 4.653 4.848 4.783
Tarde 1.321 307 1,154 189 347 152 217
Wip 46,0 37,0 54,4 41,5 39,3 40,8 43,0
Desviación 7.189.6 12.134.5 17.993.7 4.846.3 17.024.2 3.147.2 4.677.3
K, Promedio, 74 74 71 14 75 10 27
SPT + SPS + SPT WinQ WinQ
WinQSEWT
LTWR ECT + SPS + PT (SPT)
Temprano 4.662 3.588 4.692 4.591 4.599 4.1824.088
719
Tiene como objetivo investigar si existe relación entre el
tiempo disponible hasta la fecha de entrega. Para ello, el
sistema requiere velocidad de pedido Rápida (VIENE
según distribución USTEL con promedio 62), la velocidad
de pedido es normal (VIENE según distribución USTEL
con promedio 65) Y la velocidad de pedido es Lenta
(según distribución USTEL con promedio 68). Se
produjeron pedidos mosquetón.
Las cargas cuando llegan estos pedidos y si el pedido se
retrasa o no después de que se haya registrado la
producción. Así, se ha creado un conjunto de datos de 30
mil en los que podemos analizar los retrasos.
4.5 Determinar las reglas para trabajos retrasados
(Determinación de reglas para trabajos tardíos)
En la minería de datos, el valor de una característica del
sistema se puede determinar utilizando los valores de otras
propiedades con algoritmos de clasificación.
El conjunto de datos estudiado se divide en un conjunto de
aprendizaje y un conjunto de prueba. Aquí, hay un modelo
según la distribución del conjunto de datos. Si el éxito del
modelo encontrado en el conjunto de prueba es
satisfactorio, su valor se usa para estimar el valor
desconocido de la característica bajo investigación.
Un conjunto de datos de 30.000 obtenido, denominado
"Weka 3: Software de minería de datos en Java" [41], que
lleva el nombre de un ave no voladora que se encuentra
solo en las islas de Nueva Zelanda, no ha sido clasificado
por el injerto j48 del programa de minería de datos de
Weka.
Se han probado varios algoritmos como algoritmo de
clasificación y se ha decidido procesar los datos con el
algoritmo J48 Injerto, que produce los resultados más
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
Emitido sobre la base de. Para ello, se separan 30 mil
conjuntos de datos según el tipo de pieza. En este caso, se
obtuvieron aproximadamente 1500 conjuntos de datos
para cada pieza. El 66% de estos datos se utilizaron como
conjunto de aprendizaje y los datos restantes se utilizaron
como conjunto de prueba.
El tiempo disponible (Z disponible) que se puede utilizar
hasta el tiempo de entrega de cada conjunto de datos, las
cargas de trabajo actuales de los centros de trabajo en la
ruta de producción (im1, im2, ... im10), y la ranura
ondulada de los centros de trabajo. en la ruta del pedido.
La propiedad a predecir de acuerdo con estas
características, a saber, la información de clase, es si el
pedido se retrasa (se muestra como clase "b") o no (se ha
añadido la clase "a" a girölgis).
Su bir parçanın veri setleri bu algoritma ile belirtilen
şartlarda işlenmesi sonucunda ağaç yapısı şeklinde bir
kural seti elde edilmiştir. Bu ağaç yapılarından da sonuca
etkisi fazla olduğu görülen kurallar, o parça ile ilgili kural
setini oluşturmuşlardır. Şekil 4 ve Şekil 5'te parça1 için
yapılan çalışma sonucunda elde edilen sonuçlar
görülmektedir.
Buna göre çıkarılan kurallarda şu şekilde oluşmuştur.
 Eğer im4> 5157 ve Toplam> 11356 ise “sipariş gecikir”.
 Eğer im4> 6146 ve Toplam <= 11356 ise “sipariş
gecikir”.
 Eğer im4 <= 5157 ve im5 <= 6371 ise “sipariş gecikir”.
 Eğer im4> 2807 ve im4 <= 5157 ve im5> 1815 ve im5
<= 6371 ve Toplam> 10393 ve im2> 2807 ise “sipariş
gecikir”.
 Eğer im4 <= 5157 ve im5 <= 6371 ve Toplam> 10393
ve im2 <= 2807 ve im7> 2946 ve MusaitZ <= 2140 ise
“sipariş gecikir”.
 Şekil 5. Parça 1 için yapılan sınıflandırmaya ait uyum istatistikleri (Estadísticas de bondad de ajuste para la clasificación de la parte
1)

Bu yaklaşım tüm parçalara uygulanarak tüm parçalar

Gecikme potansiyelinin söz konusu olduğu siparişlerin
için kural setleri oluşturulmuştur. yan sanayide üretimlerinin gerçekleştirilmesi durumunda
(yan sanayi kullanımlı) oluşan sonuçlar da Tablo 6'da
4.6. Gecikme potansiyeli olan siparişlerin tahmini ve Dış verilmiştir.
Kaynak Kullanımı
(Estimación de probables retrasos y Outsourcing)
Tablo 5. Üretimin tümünün işletmede gerçekleştirilmesi
Bilgisayarların hesaplama gücünün giderek artmasıyla durumu (El estado de toda la producción en la empresa)
büyükölçeklimikro-benzetim Ortalam Mínimo Maksimum
modelleri çalıştırılabilmektedir. Etmen a
tabanlı modelleme ve benzetim sayesinde birbirleriyle ve
çevreyle etkileşimi olan etmenlerin sistemin davranışı Erken 4.204,2 3.566,00 4.848,00
incelenebilir ve sistemdeki aktörlerin Adedi 5
karar süreçlerini tam anlamıyla tanımlamak amaçlanır [14]. Geç Adedi 795,75 152,00 1.434,00
Çalışmamızda ise oluşturulan kural setleri Arena ile
oluşturulmuş olan modele uzman sistem olarak Tablo 6. Yan sanayi kullanımının söz konusu olduğu
eklenmiştir. Bu sistemle, bir sipariş sisteme geldiği zaman durum (El estado de la subcontratación)
o anki atölye durumu değerlerine göre zamanında OrtalamaMínimoMaksimum
yetiştirilip
yetiştirilemeyeceği sorusu cevaplandırılmıştır. Bu cevap
gecikme potansiyeli yüksek şeklinde ise siparişin Erken Adedi 4.963.504.926.004.990,00
anlaşmalı yan sanayi kuruluşlarında üretilmesi kararı
otomatik verdirilmiştir. Bu yaklaşımın çalışma yapısı Geç Adedi 36,5010,0074,00
Şekil 6'da görülmektedir.
Yan 89,25 47,00 151,00
Oluşturulan yapının, yan sanayi kullanımı opsiyonunun Sanayi
olmadığı durum ile mukayese edilmesi için model her Wip 39,161 37,2518 42,2312
koşumda sistem ve istatistikler başlangıç koşullarına 1
döndürülerek 4 kez çalıştırırl.
Bu sonuçlarda da açıkça görüldüğü gibi siparişin geldiği
Üretimin tümünün işletmede gerçekleştirilmesi anda iş merkezlerinin yüklerine bakılarak gecikme
durumunda (yan sanayi kullanmaksızın) elde edilen potansiyeli olan işlerin yan sanayide ürettirilmesi ile
sonuçlar Tablo 5'te verilmiştir. geciken işlerin sayısısır önelduo. Ayrıca sistemde aynı
anda bulunan sipariş adedinde de düşme görülmektedir.

721
 Şekil 6. Sistemin işleyişi (El flujo de trabajo del sistema)
5. SONUÇLAR VE TARTIŞMALAR
(RESULTADOS Y DISCUSIONES)
Bu çalışmanın sonuçları Veri Madenciliği ile geliştirilen
modelden elde edilen bulgular ve Endüstri 4.0'ın dinamik
çizelgeleme ve planlama faaliyetlerine getirdiklerinin
değerlendirilmesi olmak üzere içıkı aşamadamak.
Öncelikle geciken sipariş sayısı ve teslim tarihinden
sapmaların kareleri ortalaması açısından sonuçlar
722
incelendiğinde teslim tarihini dikkate alan; EDD, SLACK,
PR ve SEWT atama kurallarının daha iyi sonuç ürettiği
görülmektedir. Bununla beraber su bir atama kuralının da
gecikmelere sebep olabildiği gözlemlenmiştir. Söz konusu
gecikmeleri de dikkate almak ve azaltmak için daha
derinlikli bir yaklaşıma ihtiyaç duyulduğu aşikârdır. Bu
sebeple, sistemden benzetim ile elde edilen veri setleri
Veri Madenciliği sınıflama algoritmaları ile işlenmiş,
geciken işlerle ilgili kurallar belirlenmiş ve bunlara göre
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.

Bu çalışmada sürekli sipariş gelişiyle değişen iş

listesinden dolayı oluşan dinamik yapı ele alınmıştır.
çalışmalarda Bundan sonraki, buna ek olarak Makine
arızaları, siparişlerin müşteriler tarafından iptal edilmesi,
kalite kontrol işlemlerinden sonra Hurda Veya yeniden
işleme kararlarının verilmesi ve hammadde temininde
yaşanabilecek problemlerle ilgili de Es zamanlı verinin de
Elde edilebilmesi Atolye içinde oluşan verinin daha fazla
cinco detaylı olmasını sağlayacaktır. Atölyedeki işleyişe
bağlı olarak oluşan değişmeleri ve durumları gösterecek
olan gerçek zamanlı büyük veri ve bunların ihtiyaç
duyulan zamanda analizi ve değerlendirilmesi anında
mâncahale imákır. Bu da üretim yönetiminde daha etkin
stratejiler geliştirilmesini sağlayacaktır.

KAYNAKLAR (REFERENCIAS)

1. Türker AK, Ersöz O.Ö., Üretim Planlama ve

Kontrolün Atölye Yükü ile Eşzamanlı
Gerçekleştirilmesi, Revista MANAS de Estudios
Sociales, 5 (5), 2016.
2. Elhüseyni, M., Hipotetik Bir Tekstil Atölyesinin
Dinamik Çizelgelenmesinde Yollama Kurallarının
Benzetim Tekniğiyle Analizi. Yüksek Lisans Tezi,
Estambul Teknik Üniversitesi, Fen Bilimleri
5. Kusiak A., Fabricación inteligente, Int J de Prod
Reseacrh, 56 (1-2), 508-517, 2018.
6. L. Li, Z. Sun, J. Ni, et al., Marco de programación
basado en datos y regla de despacho adaptativo de
sistemas de fabricación complejos, Int. J. Adv.
Manuf. Tech. 66 (9), 1891-1905, 2013.
7. Türker AK vd. Rfıd Teknolojisi Entegreli Otomatik
Taşıma Sistemi İle Parçaların Atölye İçerisinde
Otomatize Rotalanması Ve Atölye Kontrolünün
Gerçekleştirilmesi, KKU-BAP Projesi, Kırıkkale,
2018.
8. Cheng, Ying, Chen, Ken, Sun, Hemeng, Zhang,
Yongping, Tao, Fe, Minería de datos y conocimiento
con big data hacia una producción inteligente, J of
Ind Inf Integration, Volumen 9, Páginas 1-13, 2018.
9. Banks J., Carson JS, Nelson BL, Nicol DM
Simulación de sistemas de eventos discretos. Printice
Hall 3a edición, 2001.
10. Law AM, Modelado y Análisis de Simulación
Kelton WD. McGraw-Hill, International Editions,
2nd Edition., 1991.
11. Koruca H.İ., Özdemir G., Aydemir E., Çayırlı M.,
Desarrollo de editor de planificación de flujo de
trabajo flexible para software de simulación y
programación de operaciones en diagramas de Gantt,
Revista de la Facultad de Ingeniería y Arquitectura
de la Universidad de Gazi, 25 (1 ), 77-81, 2010.
12. Eguchi, T., Oba, F. ve Hirai, T., Un enfoque de red
neuronal para la programación dinámica de talleres
de trabajo, Gestión de producción global, 24, 152-
159, 1999.
13. Aydın, ME ve Öztemel, E., Programación dinámica
de talleres de trabajo utilizando agentes de
aprendizaje por refuerzo, Robótica y sistemas
autónomos, 33, 169-178, 2000.
14. Baykasoğlu A., Saltabaş A., Taşan AS ve Subulan K.,
Realización del sistema inmunológico artificial en un
entorno de simulación de múltiples agentes y una
aplicación al problema de los vendedores ambulantes,
Revista de la Facultad de Ingeniería y Arquitectura de
la Universidad de Gazi, 27 (4), 901-909, 2012.
15. Yaman K., Sarucan A., Atak M. ve Aktürk N.,
Preparación de datos para programación dinámica
utilizando procesamiento de imágenes y modelos
arima, revista de la Facultad de Ingeniería y
Arquitectura de la Universidad de Gazi, 16 (1), 19-40,
2001.
16. İpek, M., Dinamik Atölye Çizelgelemede Yapay Sinir
Ağı ile Teslim Tarihi Belirlenmesi, Doktora Tezi,
Sakarya Üniversitesi, Fen Bilimleri Enstitüsü,
Sakarya, 2007.
17. Göçken, M., Un enfoque basado en simulaciones para
desarrollar nuevos enfoques para la asignación de
fechas de vencimiento y la liberación de trabajos en
talleres de trabajo de múltiples etapas, Doktora Tezi,
Gaziantep Üniversitesi, Fen Bilimleri Enstitüsü,
Gaziantep, 2007.
18. Gürbüz F., Özbakır L.ve Yapıcı H., Aplicación de
minería de datos en informes de componentes de una
compañía aérea en Turquía, Revista de la Facultad de
Ingeniería y Arquitectura de la Universidad de Gazi,
24 (1), 73-78, 2009.
19. Köklü M., Kahramanlı H. ve Allahverdi N., Un nuevo
enfoque preciso y eficiente para extraer reglas de
clasificación, Revista de la Facultad de Ingeniería y
Arquitectura de la Universidad de Gazi, 29 (3), 477-
486, 2014.
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.