Dokuma işletmelerindeki çözgü makineleri için üretim süresi tahminleme

İşlem süresinin; toplam gecikme, toplam akış süresi, tamamlama süresi gibi planlama sürecinin temel performans göstergeleri üzerinde önemli bir etkisi olduğundan, doğru belirlenmesi sürecin etkin yönetimi bağlamında anahtar role sahiptir. Geleneksel olarak işlem süresi, zaman etüdü veya basit hesaplamalar yoluyla belirlenir ve planlama öncesi kesin bir şekilde önceden bilindiği ve de genellikle sabit bir değer olduğu varsayılır. Bazı durumlarda, işlem süresinin kendisi önceden bilinmese de hesaplanmasında kullanılan fonksiyon önceden bilinmektedir. Bu tür durumlar genellikle kimyasal ve metalürjik işlemlerde ortaya çıkar. Fiili üretim sürecinde bazı beklenmedik durumlar nedeniyle işlem süreleri tam olarak kaydedilememektedir. İşlem sürelerinde belirsizlik olarak adlandırılan bu durumun literatürde farklı şekillerde ele alındığı görülmektedir. Bunlardan ilki işlem süresinin bulanıklaştırılmasıdır. Belirsiz işlem süresini modellemek için kullanılan ikinci bir yaklaşım, aralık sayılarıdır (interval numbers). Rastgele veya stokastik işlem süresi, işlem süresindeki belirsizliği ifade etmenin diğer bir yoludur. Bu yaklaşımda, her işin işlem süresi, bilinen bir olasılık dağılımına sahip rastgele bir değişkendir. Bu çalışmada, işlem süresindeki belirsizlik, makine arızası, elektrik kesintisi gibi olasılıksal değişen faktörlerden değil, önceden bilinen sabit değerlere sahip faktörlerin bir kombinasyonundan kaynaklanmaktadır. Tekstil üretim süreçlerinin önemli bileşenlerinden olan çözgü hazırlama operasyonundan esinlenilen bu çalışmada, çözgü hazırlama operasyonunun işlem süresini tahmin etmek için denetimli makine öğrenmesi yaklaşımları kullanılmıştır. Dokuma makinelerinde kullanılmak üzere çözgü ipliklerinin leventlere sarıldığı ilgili süreçte bir leventin hazırlanması için gereken işlem süresi birçok parametreye bağlı olarak değişmektedir. Öncelikle konunun uzmanları ile görüşmeler yapılmış ve neticesinde işlem süresini etkileyebilecek 11 öznitelik belirlenmiştir. Daha sonra çözgü hazırlama işlem süresinin tahmin edilmesi için 6 doğrusal ve 6 doğrusal olmayan toplam 12 farklı makine öğrenmesi algoritması test edilmiştir. Deneysel çalışma işletmenin ERP sisteminde çekilen gerçek hayat verileri ile yapılmıştır.12 farklı denetimli makine öğrenmesi algoritma hem eğitim hem de test veri seti ile koşulmuş ve sonuçlar karşılaştırmalı bir şekilde sunulmuştur. Hem eğitim/ayar süresi bakımında hem de tahmin doğruluğu bakımından boosting algoritmalarının üstünlük sağladığı gözlemlenmiştir.