T.C BEYKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ A.B.D Siparişe Dayalı Üretim İçin Ürün Gruplarının Oluşturulmasında Genetik Algoritma.

... konulu sunumlar: "T.C BEYKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ A.B.D Siparişe Dayalı Üretim İçin Ürün Gruplarının Oluşturulmasında Genetik Algoritma."— Sunum transkripti:

1 T.C BEYKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ A.B.D Siparişe Dayalı Üretim İçin Ürün Gruplarının Oluşturulmasında Genetik Algoritma Tabanlı Bir Yaklaşım Prof. Dr. Şevkinaz GÜMÜŞOĞLU Yaşar Üniversitesi, Meslek Yüksekokulu, İZMİR Blm. Uzm. Nedret ERBOY Muğla Sıtkı Koçman Üniversitesi, S.B.E., Doktora Öğrencisi, MUĞLA Yrd. Doç. Dr. Güzin ÖZDAĞOĞLU Dokuz Eylül Üniversitesi, İşletme Fakültesi, İşletme Bölümü, İZMİR

2 Çalışmanın Amacı Grup teknolojisi ve Hücresel üretimin avantajlarından yararlanmak için ürün gruplarının oluşturulmasında operasyon sürelerindeki sapmaları temel alan sezgisel bir fonksiyon tanımlanmış, en iyi çözümü elde etmek üzere genetik algoritma kullanılmıştır. Son aşamada elde edilen ürün gruplarının imalat süreçleri için oluşturulabilecek makine hücreleri önerilmiş ve elde edilen sonuçlar (2001 A.İşler-Üretim Hücrelerinin Bir Genetik Algoritma Kullanılarak Oluşturulması) karşılaştırmalı olarak sunulmuştur.

3 Siparişe Dayalı Üretim Ürün çeşitliliğinin Pazar koşullarından daha çok müşterinin isteğine bağlı olarak değiştiği, uzun dönemli üretim planlarının yapılamadığı, fiyatın ve teslim süresinin müşteri ile birlikte belirlendiği üretim tipidir. Siparişe dayalı üretim, tüketicilerin kendi isteklerine göre özelleştirilmiş ürünleri satın almalarına izin vermelidir ve dolayısıyla esnek bir yapıya sahip olmalıdır. Siparişe dayalı üretim yapan firmalarda üretim planlama, stoğa dayalı çalışan firmalarınkinden daha zordur.

4 Siparişe Dayalı Üretim- Ana Sorunları Yüksek düzeyde imalat ara stokları Düşük Tezgah ve İşçi kullanımı Yüksek iş akışı Denetim güçlükleri

5 Grup Teknolojisi ve Hücresel Üretim Grup Teknolojisi; ürün tasarımı ve üretimde ürünler arasındaki benzerliklerden faydalanarak, ürünleri benzerliklerine göre gruplandırmaya dayanan bir üretim felsefesidir. Grup teknolojisi uygulamaları için önemli olan başlıca kavramlar; Ürünlerin Sınıflandırılması Ürün Ailelerinin Oluşturulması Basitleştirme Standardizasyon

6 Hücresel Üretim Üretilecek olan ürünlerin işlem benzerliklerine ve işlem gördükleri makinelere göre gruplara ayırarak üretim yapmaktır. Hücresel Üretim sayesinde ürünlerin beklenen kalitede, miktarda ve tam zamanında teslim edilmesine önemli bir katkı sağlar.

7 Genetik Algoritma Rassal arama tekniklerini kullanarak çözüm bulmaya çalışan parametre kodlama esasına dayanan sezgisel bir arama tekniğidir. Uygulama kolaylığı ve hızlı çözüm üretmesi açısından grup teknolojisi ve hücresel üretimde ortaya çıkan karar problemlerinde sıklıkla kullanılan bir tekniktir. Hücreler arası taşımanın minimum olduğu hücrelerin oluşturulmasında kullanılabilmektedir.

8 Genetik Algoritma *İterasyon : Tekrarlama *Seleksiyon : Ayıklama

9 Çalışmada İncelenen Problem Ürün çeşitliliğinin fazla olduğu siparişe dayalı üretim yapan işletmelere, ürün gruplarının oluşturulması aşamasında karar desteği sağlayacak bir model önerisi geliştirilmiştir. Özellikle CNC tezgâhlarının yaygınlaştığı ve bu anlamda çok işlevli çalışma karakteristiklerinin artmakta olduğu bu tip atölye ortamlarında, aynı tezgâhlarda çok farklı işlemler gerçekleştirilebilmekte olup, bu kapsamda yapılan üretim planlama sürecindeki en büyük sorunlardan biri operasyon süreleridir. Bu bağlamda operasyon sürelerine göre bir gruplandırma yapılabileceği düşünülmüştür

10 Çalışmadaki Problem Çözümü 1.Aşama: Sipariş büyüklükleri göz önüne alınarak ürünler ve dolayısıyla makineler arasında gruplandırma yapılması kararlaştırılmıştır.. 2.Aşama: Bu gruplamanın hangi kriterlere göre ve nasıl yapılacağıdır. Ürün bileşenleri ve gördükleri ortak işlemler açısından ortak özellikleri bulunması ilk kısıttır. Ortaklıkların bulunmadığı ortamlarda, benzer problemlere çözüm getirebilmesi açısından, toplam operasyon sürelerini temel alan bir sezgisel kriter belirlenmiştir.

11 Çalışmadaki Modelin Temel Çalışma Prensibi Amaç ya da uygunluk fonksiyonu, oluşturulacak rastgele ürün gruplarındaki ürünler için hesaplanan toplam operasyon sürelerinin göreli sapma değeri olarak tanımlanmıştır. Bu amaçla, ürün bazında operasyon sürelerinin varyasyon katsayısı hesaplanmakta ve gruplar arasındaki göreli sapma değerleri de aynı şekilde hesaplanarak, elde edilen bu son ifade amaç fonksiyonu olarak kullanılmaktadır.

12 Çalışmadaki Modelin Temel Çalışma Prensibi Kullanılan Matematiksel ifadeler;

13 Çalışmadaki Modelin Temel Çalışma Prensibi

14 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Metal sektöründe sac şekillendirme üstüne faaliyet gösteren firmada, gelen siparişteki ürünleri toplam operasyon sürelerinin benzerliklerine göre gruplandırarak ürün aileleri oluşturmak ve bu ürün ailelerini aynı üretim hücresinde ya da hattında üretmektir. Bu sayede üretimde bu süreler arasındaki farklılıklar nedeniyle meydana gelen dengesizlikler minimize edilecektir.(Tam zamanında üretim )

15 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Belirli paketler halinde gelen iki sipariş ele alınmıştır. Seçilen sipariş paketlerinin içinde toplam 28 farkı ürün bulunmaktadır. Tüm ürünler için paketleme ortak istasyon ve makineler arası mesafe fazla değildir. Parçaların işlem sıraları benzer değildir. Seçilen ürünler için dört grup ya da dört hücre oluşturulması öngörülmektedir.

16 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Fabrika’da;

17 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Uygulamada kullanılacak Parçaların sipariş miktarları Sipariş KoduParça KoduSipariş Miktarı P16810-01 ALT ŞASE YAN SACI5 P26810-02 ALT ŞASE SACI5 P36810-03 ALT ŞASE YAN SACI5 P46810-04 ALT ŞASE YAN SACI5 P56810-11 KÖŞE DİKME - ÖN / ARKA SAĞ9 P66810-14 ÜST KAPAK3 P76810-15 ARKA KAPAK3 P86810-16 İÇ PANJUR3 P96810-21 ÇERÇEVE3 P106810-37 PARÇA YAPIMI3 P116810-43 ELEKTRİK PANOSU SACI3 P126810-45 DAVLUMBAZ3 P136810-473 P146810-603

18 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği P156810-66 PARÇA YAPIMI6 P167757-19 KARTER AYAKLARI PARÇA YAPIMI50 P177757-30 PARÇA YAPIMI10 P187813-12 KELEPÇE50 P19ESR.01.315.000.06320 P20ESR.01.056.000.09520 P21ESR.01.088.000.0455 P22ESR.02.107.000.0625 P23ESR.02.107.000.05920 P24ESR.02.212.000.01630 P25ESR.02.033.000.03030 P26ESR.01.055.000.00730 P27ESR.01.088.000.01020 P28ESR.02.33.00.03120 Uygulamada kullanılacak Parçaların sipariş miktarları

19 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Parça kodları ve sipariş miktarları tablo haline getirildikten sonra ürün-grup matrislerine göre ikinci tablo oluşturulmuştur. Kullanılan modele göre (1) değeri ile kodlanan konum,ürünün o grup içerisinde yer aldığını ve (0) değeri ile gösterilen konum ise ürünün o grupta yer almadığını göstermektedir. Kullanılan makine tipleri genelde benzer oldukları için ürünlerin farklı makinelerde işlenme süreleri arasında anlamlı bir fark bulunmamaktadır. Toplam operasyon süreleri, sipariş listesindeki bir ürüne ait tüm siparişler için o ürünün tüm makinelerde gördüğü operasyon süreleri toplamıdır.

20 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Sipariş KoduGrup1Grup2Grup3Grup4Toplam Operasyon Süresi P10010575 P20001535 P30010240 P41000270 P510001197 P60100768 P710001221 P80001870 P90010354 P100100180 P111000204 P1200011800 P130010258 P140100555 Ürün – Grup Matrisi

21 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Ürün – Grup Matrisi Sipariş KoduGrup1Grup2Grup3Grup4Toplam Operasyon Süresi P1500011428 P1610003000 P170100530 P18001017250 P1900103600 P2000104200 P210100275 P2201003900 P23100014400 P24000114400 P2501007650 P2610009000 P2700109400 P2800013500

22 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Başlangıç Popülasyon Sayısı20 Tekrar ( iterasyon) Sayısı2500 Çaprazlanacak Bireylerin SeçimiRulet Tekeri Yöntemi Çaprazlama OperatörüÇok Noktalı Çaprazlama Mutasyon OperatörüHer 5 çaprazlamada bir rassal dört işlem değiştirme SeçimSıralı Seçim Önerilen Genetik Algoritmada Kullanılan Parametreler Algoritmayı programlamak için nesne tabanlı programlama dili olan Microsoft Visual Studio C# 2.0 dili kullanılmıştır.

23 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği En iyi çözüm olarak tanımlanan çözüm matrisine göre oluşan gruplar; Grup NoParça Ailesi Grup 1P1P2P8P21P24P25 Grup 2P4P6P14P15P16P17P18P22P26 Grup 3P3P11P13P19P27 Grup 4P5P7P9P10P12P20P23P28 Grup Noİşlemler Grup 1Punch,Kesim,Büküm,Boya,Kaynak ve Montaj Grup 2Baskı,Kesim,Büküm,Boya ve Kaynak Grup 3Baskı,Kesim,Büküm,Boya Grup 4Kesim,Büküm,Boya,Kaynak ve Montaj Firma makine bakımından sıkıntı yaşamamakta,makinelerden birden fazla bulunmakta ve iki adet montaj atölyesi, üç adet kumlama tesisi bulunmaktadır. Genetik Algoritmada Sonucu Oluşan Ürün Aileleri

24 Genetik algoritma ile oluşturulan ürün gruplarına göre, ürün ailelerinin işlem gördüğü ürün-makine matrisi oluşturulmuştur. Buna göre ; 1. Grup: Baskı, Büküm, Kesim ve Kaynak 2.Grup : Baskı, Büküm, Kesim,Kaynak ve Plazma 3.Grup : Punch,Büküm, Kesim ve Giyotin 4.Grup : Punch, Büküm, Kesim ve Kaynaktan bir makine hücresi oluşturulabilir Oluşan makine hücreleri oluşturulmuştur. Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği

25 P: Punch B : Bükme Ks : Kesim B : Boya Ka:Kaynak M:Montaj PL:Plazma G : Giyotin Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Ürün Makine Matrisi Boya ve Montaj bölümleri ortak işlem alanı olarak kullanılacak olup, 1. ve 4. grupta üretilecek ürünler montaj atölyesine gönderilecek şekilde bir yerleşim planı yapılabilir. Tüm gruplarda boyama işleminden geçecek olan ürünler ise direk boya bölümüne aktarılarak üretim akışı planlanabilir.

26 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Önerilen Genetik Algoritma Sonuç Analizi İlk 100 iterasyonda hızlı bir eğilimle azalmakta, genel olarak 200’lü iterasyonların başında hesaplanan uygunluk değeriyle bir süre lokal bir optimum değerinde kalmakta, gelinen bu lokal değerden 1000. İterasyona yaklaşıldığı noktalarda kurtularak tekrar düşme eğilimine girmekte ve farklı bir lokal optimum değerine geçmektedir. 2000. iterasyon tamamlandıktan sonra algoritma, daha küçük basamaklarla ifade edilen bir değere ulaşmakta ve bu şekilde sıfıra yakınsamaktadır. Uygunluk Değeri Örnek Değişim Grafiği

27 Çalışmadaki Modelin Metal İşleme Sektöründe Bir Uygulama Örneği Farklı Kombinasyonlarda Elde Edilen Minimum Uygunluk Değeri

28 Çalışmada geliştirilen Genetik Algoritma ve bu algoritmanın bünyesinde kullanılan uygunluk fonksiyonu yapısının performansını karşılaştırmalı olarak değerlendirmek amacı ile Prof.Dr A.Atilla İşlier ‘in 2001 yılında yayınladığı ‘Üretim Hücrelerinin Bir Genetik Algoritma Kullanarak Oluşturulması’ isimli çalışma da kullandığı veriler ile karşılaştırılma yapılmış, eksik veriler için rasgele değerler üretilmiştir. A. İşler çalışmasında algoritamayı çözmek için kullandığı programlama dili TurboPascal dır. * Örneğin ilgili çalışmada sipariş miktarları göz önüne alınmadığı için bu kapsamda veri sunulmamıştır. Karşılaştırmalı Analizler

29 Birim Operasyon Süreleri

30 Karşılaştırmalı Analizler Ürünler Sipariş Miktarları Birim Operasyon Süresi Toplam Operasyon Süresi 123 529 244251100 342392 42622572 52114294 644231012 72216352 83923897 91022220 103625900 11529145 121117187 132422528 142520500 154832 16522110 174213546 18348272 193820760 204112492 Sipariş Miktarı ve Toplam Operasyon Süreleri Toplam Operasyon Süresi: Sipariş Miktarı x Birim Operasyon Süresi Sipariş miktarları rasgele olarak atanmıştır.

31 Karşılaştırmalı Analizler Ürün- Grup Matrisi Temel amaç tezgah atamalarına dayalı, sipariş büyüklüklerinden bağımsız bir gruplama ortaya koymaktır. Sipariş büyüklüklerinin ve buna bağlı toplanan operasyon sürelerindeki sapmaları minimize eden bir gruplama modeli, çok daha dengeli sonuçlar vermektedir. Sipariş Kodu Grup1Grup2Grup3Grup4Toplam Operasyon Süresi P1 0100529 P2 00011100 P3 100092 P4 0001572 P5 0010294 P6 10001012 P7 0010352 P8 0100897 P9 1000220 P10 0010900 P11 0100145 P12 0001187 P13 1000528 P14 0010500 P15 100032 P16 0001110 P17 0100546 P18 1000272 P19 0010760 P20 0001492

32 Karşılaştırmalı Analizler Dört Grup için Elde Edilen Sonuçlar

33 Karşılaştırmalı Analizler Üç Grup için Elde Edilen Sonuçlar

34 Karşılaştırmalı Analizler Karşılaştırmada asıl vurgulanmak istenen hangi modelin daha iyi olduğu değil, problemdeki kısıtın sipariş büyüklükleri olması durumunda, bu çalışmada önerilen algoritmanın atıf yapılan çalışmadaki problemin çözümünde de kullanılabileceği ve bu koşullarda çok daha dengeli hücreler elde edilebileceğinin ortaya konabilmesidir.

35 Sonuç ve Değerlendirme Ürün çeşitliliğinin çok fazla olduğu siparişe dayalı bir üretim tesisinde ortaya çıkan planlama problemi için özgün bir model önerisi yapılmış ve anlamlı sonuçları elde edilmiştir. Problemin ve çözüm modelinin farklı koşullara göre esnekliği de sağlanarak bir karar destek sistemine temel olabilecek bir öneri sistemi oluşturulmuştur. Firmanın yetkililerine yön göstermesi amacıyla, üretim ortamındaki makine parkı ve ürün grupları eşleştirilmiş ve olası hücreler manuel olarak düzenlenmiştir.

36 Sonuç ve Değerlendirme Ürün Gruplarının oluşturulması ve Hücresel imalat sayesinde; Akış sürelerinde kısalma Süreç içi stoklarda azalma Elde Bulundurma maliyetleri minimize olmakta Belli işler ve parça aileleri üzerinde uzmanlaşılası ile kontrol kolaylaşıp, ürün kalitesi artmaktadır..

37 T.C BEYKENT ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ ENDÜSTRİ MÜHENDİSLİĞİ A.B.D M.Cevdet EREN SORULAR ??