بخشی از مقاله
چکیده
تحلیل پوششی داده های فازی ترکیبی و روش شبیهسازی کامپیوتری فازی برای بهینه سازی تخصیص اپراتور در سیستم های ساخت سلولی چند محصولی با تاثیرات یادگیری را ارائه می کنیم. تخصیص اپراتور موضوعی چالش آور در سیستم های ساخت انعطافپذیری بطور کلی و در CMS بطور خاص است هدف اصلی ملاحظه قالبهای مختلف اپراتورها و تاثیرات یادگیری با کمک شبیهسازی فازی و DEA فازی است.
FDEAبرای ارزیابی گزینههای شبیهسازی در سطوح مختلف عدم اطمینان به کار میرود. این تحقیق زمانهای برپایی فازی و چند محصولی و زمانهای پردازش برای مدل سازی CMS را بررسی و تاثیرات یادگیری را برای تخصیص بهینه اپراتورها در نظر گرفته و باهم ترکیب می کند.
واژه های کلیدی:سیستم ساخت سلولی - CMS - تاثیری یادگیری، تحلیل پوشش داده های فازی - FDEA - ، شبیهسازی کامپیوتری.
مقدمه
مطالعات نشان می دهند که تخصیص اپراتور های تعلیم دیده ی مقطعی یکی از مهمترین نکات تصمیم گیری در عملکرد CMS است.می دانیم شبیهسازی بعنوان ابزار قدرتمندی برای حل مسائل حقیقی بوده و در ساخت به مدیران کمک می کند بهترین تصمیم را اتخاذ کنند. این تحقیق تعداد اپراتورهای تعلیم دیده ی مقطعی را با در نظر گرفتن تاثیر یادگیری و در یک CMS توسط توسعه یک مدل شبیهسازی فازی - FS - و روش های چند متغیره برای شناسایی طرح بهینه اپراتور با توجه به شرایط سلولی تعیین می کند که در این جا چندین طرح برای تخصیص اپراتورها در یک محیط CMSشناسایی و یک مدل FS برای شناسایی رفتار هر طرح ساخته می شود.
روش های چند متغیره برای مشخص کردن طرح های بهینه با توجه به چندین ورودی و خروجی بکار می روند یک روش تکمیلی با یافتن داده هایی از FS و بکار بردن DEA فازی برای حل این مسأله چند هدفی ارائه می شود این روش کاربرد جدیدی از FDEA است و در مسائل مشابه بکار می رود. این مطالعه زمان پردازش فازی چند محصولی و چند سطحی را که کارگران صرف می کنند تأثیر منفی یادگیری و محیط تولید محدود به اپراتور را بررسی می کند.
اهداف:-1 افزایش میانگین بهره بردار، از دستگاه اپراتور-2 کاهش زمان هدایت تقاضاها در CMS-3 افزایش میزان تولید سالیانه-4 افزایش میانگین زمان انتظار تقاضا-5 کاهش تعداد اپراتور و نیز هزینهها در بخش 2 متون علمی-تحقیقی مربوط به این حوزه بازبینی و دربخش 3 روش شناسایی پیشنهادی براساس شبیهسازی فازی-DEA فازی ارائه و در ادامه مطالعه موردی و نتایج ارائه می شود.2 بازبینی متون علمی- تحقیقی تخصیص نیروی کار درCMS از دیدگاه های مختلف بررسی شده است.
راسل و همکاران منبع دستگاه و نیروی کار در CMS را با کمک از مجموعه ای از تجارب شبیهسازی بررسی کردند. ناکادی و اوهنو خط تولید U شکل با کارگر چند نقشی بررسی کردند. ارقای و روآن نیز چارچوبی بر اساس DEA برای مناسب ترین تخصیص اپراتور در CMS ارائه کردند که تحقیق آنها طبق سنجش کارآرایی و تعیین تعداد اپراتورها در CMS در زمان تغییر میزان تقاضا و انتقال اندازه مجموعه بود. DEA که ابتدا توسط پارنیس و همکاران ارائه شده یک روش غیر پارامتری برای ارزیابی بازدهی نسبی واحدهای تصمیم گیری با ورودی ها و خروجی های مشترک است.
فرضیه زیربنای DEA این است که همه داده ها شکلی از ارزش های عددی ویژه را بخود می گیرند. DEA یک نمره کارایی کمتر از یک را به DMVهای ناکارا نمره یک را به DMV های کارا می دهد. فوجا یک مدل تصمیم گیری برای مسأله انتخاب تکنولوژی با یک روش دو مرحله ای ارائه کرد. DEA در مرحله اول برای شناسایی تکنولوژی هایی بکار رفت که بهترین ترکیبات مشخصه های فروشنده روی پارامترهای عملکرد تکنولوژی را ارائه می کنند.
یک مدل تصمیم گیری پند خاصیتی در مرحله دوم برای انتخاب یک تکنولوژی از آنهایی که در مرحله 1 شناسایی شده اند بکار می رود. آزاده و انوری یک مدل تصمیم گیری برای بهینه سازی تخصیصی اپراتور در CMS بوسیله شبیهسازی کامپیوتر ارائه کردند. جانیاک و دورک مسأله زمان بندی را با یک مدل جدید یادگیری مبنی بر تجربه تحلیل کردند که در آن زمان های پردازش
کار توسط توابع در S شکلی توصیف و به تجربه پردازشگر بستگی دارند.
و دولی مدل یادگیری را ارئه کردند که تاثیرات یادگیری انسانی و ماشینی را همزمان بررسی می کند و نشان دادند که مدل های یادگیری مبنی بر موقعیت و مدل های یادگیری مبنی بر مجموع زمان پردازش در متون علمی تحقیقی مورد های ویژه ای از مدل پیشنهادی هستند. با توجه به بررسی متون علمی تحقیقی ممکن است که بیشتر مطالعات فقط یک نوع محصول را با ورودی های دقیق بررسی کنند .
به رحال این تحقیق محصولات چندگانه و زمان های برپایی فازی و زمان های پردازش را برای مدل سازی CMS بررسی می کند و تاثیرات یادگیری را برای تخصیص اپراتورهای بهینه در بررسی و باهم ترکیب می کند شاخص های ارزیابی CMSقاطعی در این مدل بکار می روند که FDEA برای پرداختن به این مسأله است یک مطالعه موردی عملی بودن مؤثر بودن روش را نشان می دهد.
روش شناسی
این رویکرد پیشنهادی از DEA فازی و شبیهسازی فازی - FS - با در نظرگرفتن یادگیری تشکیل می شود. مطالعات گذشته DEA فقط PCA و شبیهسازی کامپیوتری را برای داده های دقیق در نظر می گیرند و این مطالعات برای نبود عدم اطمینان داده ها و فرضیات در مورد تخصیص های اپراتور مناسب هستند. لذا تعیین طرح های CMS بهینه شبیهسازی بصورت زیر می باشد:-1تعریف مسأله و شناسایی متغیرها-2 فازی سازی داده های ورودی برای اینکار داده های ورودی بصورت μ − σ, μ + ∞ که μ و σ به ترتیب میانگین حسابی و استاندارد هستند.
تاثیرات یادگیری را برای پردازش زمان ها توسط اپراتورها اجرا کنید تاثیرات توسط معادله r = kx محاسبه می شوند که r زمان لازم انجام کار پس از اجرای تاثیریادگیری و x زمان لازم پیش از استفاده از تاثیر یادگیری و j تعداد تکرارها و b ضریب منفی که زمان لارم عملیات پس از هر تکرار را کاهش می دهد.CMS - 4 مورد مطالعه را شبیهسازی اثبات و ارزش گذاری کنید. -5 طرح ها را بعنوان راه حل های مسأله تعیین کنید.-6 از FDEA برای رتبه بندی و تحلیل طرح ها استفاده کنید.
رویکرد رتبه بندی FDEA توسط ساتی و همکاران7-تصمیم گیری و شناسایی طرح های ارجح اپراتورها-8 از تحلیل جز اصلی P - A - برای اثبات و ارزش گذاری نتایج FDEAاستفاده کنید. رویکرد FDEA-FS ترکیبی از شاخص های جامع برای رتبه بندی هدف استفاده می کند و مدل های تصمیم گیری را با انعطاف پذیری زیاد حل می کند و در نتیجه رتبه بندی بهتر گزینه ها را نشان می دهد و تاثیریادگیری بررسی می شود.
نتیجه گیری
یک روش شبیهسازی فازی چند متغیره فازی ترکیبی با تاثیرات یادگیری و زمانهای پردازش و برپایی غیردقیق برای بهینهسازی تخصیص اپراتورها در CMS ارائه شد. برای − های مختلف، زمان هدایت بالا، پایین تر و متوسط زمانهای انتطار تقاضا و تعداد اپراتورها به عنوان ورودیها تعریف و بهره برداری اپراتور بعنوان خروجی تعریف شد. ورودی و خروجیها از شبیهسازی فازی سیستم ساخت سلولی حاصل شدند.
FDEA برای رتبهبندی و تحلیل طرحهای مختلف در ها بکار رفت. یک مطالعه موردی عملی روشن نمود و توسط PCA تائید و نتایج با تست جفت شده مقایسه شد این مطالعه محصولات چندگانه و زمان های برپایی فازی و پردازش را برای مدل سازی CMC در نظر می گیرد و تاثیرات یادگیری را برای تخصیص بهینه اپراتور ها بررسی و ترکیب می کند. برای مطالعه بیشتر روشهایی مانند شبکه عصبی مصنوعی یا تاکسونومی عددی می توانند برای رتبه بندی ارجح طرحها بکار روند نظریه فازی و تئوری احتمالی نیز می توانند ترکیب شوند تا مدل واقع گرایانهتری از CMSرا تهیه کنند.
