Veri madenciliği tekniklerini kullanarak üretim süresi tahmini ve bir uygulama
Manufacturing lead time estimation using data mining techniques
- Tez No: 253796
- Danışmanlar: DOÇ. DR. ÖZLEM İPEKGİL DOĞAN
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Business Administration
- Anahtar Kelimeler: Veri Madenciliği, Üretim Süresi, Karar Ağaçları, Data Mining, Lead Time, Decision Trees
- Yıl: 2010
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Sosyal Bilimler Enstitüsü
- Ana Bilim Dalı: İşletme Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 100
Özet
Küresel rekabet ortamı nedeni ile üretim işletmeleri kalite, maliyet, teslim zamanı ve esneklik gibi konularda rekabet etmek zorundadır. Üretim sürecinde siparişe göre üretim, stoklara tercih edilir. Bu işletmeler için düşük maliyet ve esneklik sağlar ancak bir siparişin üretim süresini doğru tahmin etmeyi de beraberinde getirir. Teslim süresini kısa vermek müşterileri kazanmayı sağlar ancak genellikle gecikmeyi beraberinde getirir. Teslim süresi uzun tutulduğunda ise teslimatın tamamlanması kolay olur ancak bu seferde müşteri daha kısa teslim süresi veren firmaya kayabilir.Gelişen teknolojiye uygun olarak bilgisayar sistemlerinin ucuzlaması, kapasitelerinin artması, üretim ortamında sağlanan otomasyon ile üretim verilerin alınmasını kolaylaşmıştır. Bu durum elde edilen verilerin arasından anlamlı bilgilerin çıkarılması ihtiyacını da beraberinde getirmektedir.Veri madenciliği çok sayıda veri içerisinden anlamlı bilgiler çıkarılması işlemi olarak tanımlanabilir. Bu tezin amacı üretim süresi tahminini veri madenciliği tekniklerini kullanarak yapmaktır. Bu amaçla ilk bölümde veri madenciliği teknikleri, ikinci bölümde üretim süresi ve tahmin yöntemleri incelenmiştir. Üçüncü bölümde su sayacı üretim süreci incelenmiş. Elde edilebilen veriler ışığında veri madenciliği teknikleri kullanılarak makinelerin üretim süresi tahmin edilmeye çalışılmıştır.
Özet (Çeviri)
Due to the global competition environment, manufacturing firms bound to compete for issues such as quality, cost, delivery, and flexibility. In manufacturing process make-to-order production is preferred instead of making stocks. This yields low cost and flexibility however brings with acurate estimation of lead time. Giving short lead times gains customers however brings with the time delays. When long lead times is given, completion of the delivery will be easy but on the other hand customer tends to go the firm which gives short lead times.Accordance with the developing technology, due to the cheaper computer systems, increasing capacity, automation in the manufacturing environment facilitates to get manufacturing data. This situation brings with the requirement of extracting meaningful knowledge from that data.Data mining can be defined as extracting meaningful knowledge from large databases. The purpose of this thesis is estimating lead time using data mining techniques. For this purpose in the first section the data mining techniques, in the second section lead time and lead time estimation methods are investigated. In the third section manufacturing process of water meters is examined and in the light of the given data the lead time of machines is estimated by using data mining techniques.
Benzer Tezler
- Deep learning for wind energy systems using the hurst exponent and statistical parameters
Hurst üslü ve istatistiksel parametreleri kullanarak rüzgar enerjisi sistemleri için derin öğrenme
BEHNAZ ALAFI
Yüksek Lisans
İngilizce
2021
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Veri madenciliği tekniklerini kullanarak imalat verilerinin modellenmesi ve analizi
Modeling and analysing manufacturing data with data mining techniques
ESRA KAHYA ÖZYİRMİDOKUZ
- Veri madenciliği tekniğinin havacılık meteorolojisinde kullanımı
A study of data mining on aeronautical meteorology
EDA ÇINAROĞLU
- Efficient estimation of Shrinkage parameters in fuzzy Ridge and fuzzy Liu regression models using α-cut-based methods under multicollinearity
Çoklu bağıntı durumunda bulanık Ridge ve bulanık Liu regresyon modellerinde α-kesim tabanlı yöntemler kullanılarak Shrinkage parametrelerinin etkin tahmini
AMMAR HOMAIDA
- Predictive modeling of non-routine maintenance workload in aircraft operations: a task card-level approach using real mro data and machine learning
Uçak bakım operasyonlarında non-routıne iş yükünün öngörüsel modellemesi: gerçek mro verileri ve makine öğrenmesi ile görev kartı düzeyinde bir yaklaşım
TALHA GÜÇLÜ
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
