Atölyelerde otomatik kumandalı araçların optimum sayılarının genetik algoritma ve yapay sinir ağları ile belirlenmesi

Abstract

Maliyetleri düşürmek için atölyelerde Otomatik Kumandalı Araçlar (OKA’lar) yaygın olarak kullanılmaktadır. Ancak, OKA kullanımı aynı zamanda bir sermaye yatırımı olduğu için, OKA projeleri ciddi analiz gerektirmektedir. Önerilen yaklaşım ile maliyetli ve zaman alıcı analizlere ihtiyaç duyulmadan OKA kullanım oranlarının arttırılmasıyla gerekli OKA sayısının hesaplanması amaçlanmıştır. Bir veya daha fazla OKA havuz sisteminin kurulması ile OKA filosunun optimal büyüklüğünü belirlemek için matematiksel bir model geliştirilmiştir. Bu amaçla karma tam sayılı doğrusal programlama modeli kullanılmıştır. Artan OKA hatları sürecinde oluşan çözüm kısıtlamalarını gidermek için her OKA hattı ve park istasyonuna göre gerekli OKA miktarını hesaplayan bir algoritma geliştirilmiş, genetik algoritma uygulaması ile optimal gerekli OKA sayısı elde edilmiştir. Sistem parametrelerinin gerekli OKA sayısına etkisini belirlemek için deney tasarımı yapılmış ve gerekli OKA sayısını tahmin etmek için bir yapay sinir ağı modeli geliştirilmiştir. Geliştirilen benzetim modelleri ile elde edilen sonuçların üretim talebini karşıladığı gösterilmiştir. Sistem parametrelerinin değişimi ile değişen OKA ihtiyacı başarılı bir şekilde tahmin edilmiştir. Geliştirilen yaklaşım ile üretim süreçlerindeki değişikliklerin gerekli OKA sayısı üzerine etkisi analiz edilmiş ve OKA sayısının azaltılması için hangi parametrelerde değişiklik yapılmasına gereksinim olduğu maliyetli ve zaman alıcı analizlere ihtiyaç duyulmadan belirlenmiştir.

Automated Guided Vehicles (AGVs) in workshops are widely used to reduce the costs. However, this is also a capital investment that requires a deep analysis of the system components. The present approach was introduced to minimize the AGV number by increasing AGV utilization through the AGV pool without costly computation and time-consuming analysis. A mathematical model was developed to determine the optimal size of the AGV fleet by establishing one or more AGV pools. Mixed-integer linear programming was employed. Subsequently, a heuristic genetic algorithm was developed to determine the minimum number of AGVs for cases, which may have limitations to solve with mathematical modelling with mixed integer programming. Design of experiment was employed and an artificial neural network model was developed to determine the fleet size for circuit combinations and parking stations. The results demonstrated that the proposed approach allowed the prediction of the optimal number of AGVs and the determination of the effects of the parametric changes required to satisfy manufacturing demand. This plays an essential role in the evaluating the processes and defining business strategy according to different production requirement conditions. It can be concluded that the present approach can be used for low cost AGV systems in workshops while satisfying the demand in manufacturing without costly computation and time-consuming analysis.