A decision support system on packaging planning using machine learning algorithms: Industrial case study
Paketleme planlaması için makine öğrenmesi algoritmaları kullanarak bir karar destek sistemi: Bir yan sanayi uygulaması
- Tez No: 671775
- Danışmanlar: PROF. DR. FERHAN ÇEBİ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Mühendislik Bilimleri, Industrial and Industrial Engineering, Engineering Sciences
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: İşletme Mühendisliği Bilim Dalı
- Sayfa Sayısı: 90
Özet
Verileri yıllardır kullanıyoruz; teknolojinin ilerlemesi ve internetin gelişmesiyle birlikte milyarlarca veri yaratıldı. Her bir makine, her bir işletme ve her bir ekosistem her bir an veri üretiyor, peki bu alanı popüler hale getiren nedir? Şirketler, kalıpları belirlemek ve stratejik kararları daha iyi bir şekilde almak için her geçen gün daha fazla veri kullanıyor. Makine öğrenimi, gelecekteki operasyonlar için öngörü elde etmek için veri analizi çabalarını genişleterek şirketlere kararlarında yardımcı olur. Hızla değişen pazar ortamında şirketler, daha yenilikçi ve daha çevik olma baskılarıyla karşı karşıyadır. Ortaya çıkan yeni rekabet, istisnasız tüm sektörlerin perspektifini değiştirmeye başladı. Otomotiv sektörü sektörel öneminin yanında tedarik zincirlerinin küreselleşmesi nedeniyle en dinamik ve rekabetçi sektörlerden biridir. Dinamizmi ve küresel yapısı nedeniyle bu dönüşümden en fazla etkilenen sektörlerden biridir. Bu rekabetçi alanda ayakta kalabilmek için, maliyet odaklı operasyonlar göz önünde bulundurulmalı ve Büyük Veriden faydalanılmalıdır. Süreçlerin iyileştirilmesi ve optimize edilmesi, maliyetle ilgili işlemleri hem doğrudan hem de dolaylı olarak etkiler. Bu çalışmada otomotiv sektöründe lojistik faaliyetleri ve lojistik faaliyetleri kapsamında paketleme malzemelerinin planlanması ele alınmıştır. Paketleme malzemeleri ürün ile direkt temas ederler. Uygun paketleme malzemesi tanımlanmadığı takdirde üründe kalite problemine, taşımada düşük tır yoğunluklarına yani lojistik maliyetlerinin artmasına sebep olurlar. Paketleme planlaması için gösterilen çaba son dönemlerde artmıştır. Paketlemenin standardizasyonu, daha büyük pazarlara ulaşarak otomatikleştirme ve maliyet azaltmaya olanak tanır. Küresel ticaret dünyasında rekabet bu kadar artmışken; standartlaştırılmış paketlemeler olmadan ayakta kalabilmek ekstra maliyetler gerektirir. Gereksinimlere göre uygun paketleme türlerini araştırmanın ve tanımlamanın birçok yolu vardır. Geleneksel yöntemlerin yanı sıra, son yıllarda makine öğrenimi çeşitli alanlarda başarıyla uyarlanıyor. Makine öğrenimi algoritmaları, geçmişte ürettiğimiz verilerden öğrenerek; bu verilerden değer yaratmamıza fayda sağlar. Makine öğrenmesi algoritmaları verimlilik performans kriterini optimize etmeyi amaçlamaktadır. Makine öğrenimini sınıflandırmanın birçok yöntemi vardır. Makro seviyede makine öğrenimi algoritmaları Denetimli ve Denetimsiz olarak sınıflandırılır. Denetimli öğrenme geçmişte üretilmiş veriler ve etiketlerle çalışırken, denetimsiz öğrenmede geçmişte üretilmiş veriler ve bu verilerden çıkarılan kümeler kullanılır. Denetimli makine öğrenimi sınıflandırma modelleri sayesinde, veri doğruluğu ölçülebilir, model eğitilebilir ve her öğe için yeni etiketler tanımlanabilir. Geçmiş verileri kullanarak, modelin performansını eğitmek ve ölçmek için denetimli makine öğrenimi algoritmaları kullanılır. Denetimsiz öğrenmede sadece veriler vardır, bu veriler arasındaki ilişkilerle veriler kümelenerek modeller yapılır. Denetimsiz öğrenmede tahmin sonucuna yönelik bir geri bildirim yoktur. Bu çalışmada, parça numarası bazında paketleme tipi ve mevcut özellikler için veri toplanması amaçlanmıştır. Geleneksel yöntemlerle paketleme malzemeleri parçalara, uzaman görüşü ve uzman görüşü ile birlikte fiziksel test yöntemleri ile kullanılarak tanımlanmaktadır. Fiziksel testler uygun ambalajı tanımlamanın iyi yollarından biridir ancak 3600'den fazla parça numarası için doğru paketin tanımlanması gerektiği düşünüldüğünde sürecin oldukça uzun olduğu görülür. Geleneksel yöntemlerin dışında denetimli makine öğrenimi modelleri kullanılarak her bir parça için paketleme planlamasının standartlaştırılması bu çalışmada amaçlanmaktadır. Zaman etkin yöntemler kullanarak paketleme planlama sürecini standartlaştırmak çalışmanın alt amaçlarındandır. Geçmiş verileri kullanarak, modeli bu verilerle aynı doğrulukla eğitmek için denetimli makine öğrenimi algoritmaları kullanılır. Eğitilen model sayesinde her bir yeni parça için yeni etiketler (paketleme malzemesi) tanımlanabilir. Bu yöntem ile hem mevcut veriler kullanılarak model eğitilmiş olur hem de yeni parçalar için geleneksel yöntemlerdeki gibi tekrar tekrar zaman aynı fiziksel operasyonlar tekrarlanmaz. Makine öğrenmesi modeli çalıştırılırken 5 katlama yapılmış; destek vektör makinesi, radyal tabanlı fonksiyon destek vektör makinesi ve çok katmanlı algılayıcı modelleri göz ardı edilmiştir. CatBoost sınıflandırma, Extreme Gradient Boosting, Light Gradient Boosting Machine, Gradient Boosting sınıflandırması, Rassal orman sınıflandırması, karar ağacı sınıflanfırması, Ekstra ağaç sınıflandırması, Ada Boost sınıflandırması, Lineer Discriminant analizi, K en yakın komşu sınıflandırması, Ridge sınıflandırması, Lojistik Regresyon, SVM - Doğrusal Çekirdek, Quadratic Discriminant analizi, Naive Bayes sınıflandırması modelleri sırasıyla kullanılmıştır. Ardından boosting sınıflandırma algoritmaları ayrı ayrı çalıştırılarak sonuçlar alınmıştır. CatBoost sınıflandırma algoritması % 96.31 ile en iyi doğruluk sonucunu vermiştir. Daha sonra modeli iyileştirmek için ikinci adım olarak modelleri harmanlama uygulandı. Harmanlanmış model % 96.28 ile iyi bir doğruluk sonucu verdi. Son olarak, CatBoost sınıflandırma algoritması kullanılarak, ambalaj tipi önermek için eldeki veriler kullanılarak% 96.31 doğruluk elde edilmiştir. Makine öğreniminde performans ölçümü, yorumlama için önemlidir. Performans kriterleri çalışmada anlatılmıştır. Bu çalışmaların sonunda ambalaj planlama yaklaşımı elde edilmiş ve geleneksel yöntemler yeni yaklaşımla karşılaştırılmıştır. Bu yöntemler, kriterlere göre tercih puanı yüksek olan yaklaşımı elde etmek için analitik hiyerarşi süreci kullanılmıştır.. Her bir kriter ve yöntemin ikili karşılaştırması, konsolidasyon merkezi ve fabrikalar arasındaki akışa uygun ambalajları planlayan uzmanlar tarafından yapılmıştır. Bu geleneksel ve geliştirilmiş yaklaşımlar değerlendirilerek, her parça için ambalaj türlerini planlamak için daha uygun bir yöntem araştırılmıştır. Tüm bu yöntemler emek / zaman, doğruluk / güvenilirlik, teknik bilgi, sürdürülebilirlik olmak üzere 4 kriter üzerinden değerlendirilmiştir. Uzmanlar tarafından sağlanan kriter karşılaştırmasına göre alternatif puanlar değerlendirilmiştir. Geçmiş verileri kullanarak eğitilmiş makine öğrenmesi modeli, diğer alternatiflerin aksine, zaman açısından en faydalı yöntem olarak bulunmuştur. Üstelik bilgi birikimini şirkette tutarak sürdürülebilirlik kriterine göre en büyük yüzdeye sahip olan alternatifin olduğu görülmüştür. AHP için hesaplamalarla ilgili olarak, tutarsızlık kabul edilebilir seviyede bulunmuştur.
Özet (Çeviri)
Data has been using for ages. With the advancement of technology and the development of the internet, billions of data have been created. Companies are using more data day by day to identify patterns and make strategic decisions in a better way. Machine learning helps companies with their decisions by extending data analytics efforts to gain insights for future operations. In the fast-changing market environment, companies face pressures to be more innovative and agile. The emerged new competition started to transform the shape of the sectors without any exception. The automotive industry is one of the most significantly affected industries from this transformation due to its dynamism and globalization. The automotive industry is not only called with its sectoral importance it is also one of the most dynamic and competitive industries due to the globalization of supply chains. In order to survive in this competitive area, cost-driven operations act a crucial role. Improving and optimizing processes affects cost-related operations directly and indirectly. Therefore, the effort for packaging planning has increased. Standardization of packaging allows for automatization and cost reduction, reaching wider markets. Indeed, the globalized world of trade would not be possible without standardized containers. This paper, it is aimed to standardize packaging planning for each part by using supervised machine learning models apart from the traditional methods. Historical data is used to teach models and propose packaging for each part. Within the scope of machine learning models, algorithms apart from support vector machine, radial-bases function support vector machine, and multi-layer perceptron models were run by 5 folds in the first stage. CatBoost classification algorithm gave the best accuracy result with 96.31%. Then, the results were obtained by running the boosting classification algorithms separately. Afterward, blending models were executed as the second step to check if the model improves. The blended model gave a good accuracy result with 96.28%. Finally, by using CatBoost Classifier algorithm 96.31% accuracy was obtained by using on-hand data to propose packaging type. At the end of these efforts, a packaging planning approach was obtained and traditional methods were compared with the new approach. These methods were investigated by using the analytic hierarchy process to decide which implementation could be adapted. Pairwise comparisons of criteria and methods were made by experts who planned the suitable packagings for the flow between hub and plants. A more suitable method to plan packaging types for each part will be investigated by evaluating these traditional and improved approaches. All these methods were evaluated regarding 4 criteria which are labor/time, accuracy/reliability, technical information, sustainability. Alternative scores were evaluated based on criteria comparison which was provided by the experts. The trained machine learning model by using historical data was found the most time beneficial method by contrast to other alternatives. Moreover, it has the biggest interest for sustainability criteria by keeping know-how at the company. Regarding calculations for AHP, inconsistency was found acceptable.
Benzer Tezler
- Tam zamanında üretim sistemi ve bir yan sanayi işletmesinde değerlendirilmesi
Just in time production system and evaluation of fit
DİLEK DEMİRDAĞ
Yüksek Lisans
Türkçe
1997
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. SITKI GÖZLÜ
- Çeşitli büyüklüklerdeki alışveriş mekanlarını aydınlatma sistemleri tasarım ilkeleri
Designing principles of lighting systems in store designs of various types
HALE İKİZLER
Yüksek Lisans
Türkçe
1996
Mimarlıkİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
PROF. DR. MEHMET Ş. KÜÇÜKDOĞU
- Bir maliyet + kar projede 'şube yenileme işleri' malzemenin temini ve lojistik
Başlık çevirisi yok
HASAN GÜNEY DEMİR
Yüksek Lisans
Türkçe
1998
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiYapı İşletmesi Ana Bilim Dalı
PROF. DR. DOĞAN SORGUÇ
- Taşımacılık modelleri, uluslararası taşımacılık konusuna yaklaşımlar ve bir uygulama
Transportation models, approaches to international transportation and an application
BAHAR ORTAATİLLA
Yüksek Lisans
Türkçe
1994
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. FÜSUN ÜLENGİN