International Conference on Access to Recent Advances in Engineering and Digitalization, Kayseri, Turkey, 5 - 07 March 2020, pp.119-120
In order to survive in today's global competitive environment, companies must aim for low delivery time,
low cost, high quality, and high flexibility in their production. Companies engaged in project-based
production should prefer the order-based production method to achieve these goals. For order-based
production method, it is very important that the product is ready at the delivery date. To reduce delivery
dates, factors affecting production time should be determined. Determining the factors affecting the
production time enables companies to plan the improvements that can be made on these factors. In this
study, the factors affecting the production time of a cable machine manufacturer were determined by
analyzing the data of CNC machines utilizing data mining techniques. In the literature, no similar study has
been found. To determine the factors affecting production time, attribute selection evaluators and
classification algorithms of Weka software were used. As attribute selection evaluators InfoGainAttribute,
CfsSubse, ClassifierAttibute and GainRatioAttribute were run. According to InfoGainAttributeEval part
name, machine name, production month, average temperature, operator name, machine brand, day of the
week, part type, operator training level, machine type; according to CfsSubset average temperature and
production month; according to ClassifierAttribute days between maintenance and production; according
to GainRatioAttribute the average temperature, production month, part name and machine name attributes
were effective on the production time. As rule based classification algorithms DecisionTable, JRip, OneR,
Part, ZeroR algorithms are used, and as decision tree based algorithms RandomTree, RepTree, LMT and
J48 were used. Categories of the class attributes were created by discretizing the production time.
Algorithms were run for 4, 3, and 2 categories. As expected, the classification accuracy increased as the
number of categories decreased. According to RandomTree, PART and REPTree algorithms, which were
the three best algorithms, the classification accuracies were 97.43%, 69.52%, 63.21% for 4 categories;
97,97%, 74,33%, 66,84% for 3 categories and; 98.29%, 76.36% ,76.26% respectively. As a result of this
study, the factors affecting the production time of the CNC machines were determined. The information
obtained will be used as decision support input when making forward decisions in the production processes
of the company.
Günümüzün küresel rekabet koşullarında hayatta kalabilmek için, işletmeler üretimlerinde düşük teslim
zamanı, düşük maliyet, yüksek kalite ve yüksek esnekliği hedeflemek zorundadırlar. Proje bazlı üretim
yapan firmaların bu hedeflere ulaşabilmesi için siparişe dayalı üretim yöntemini tercih etmeleri
gerekmektedir. Siparişe dayalı üretimde ürünün teslim tarihinde hazır olması büyük önem taşımaktadır.
Teslim tarihlerinin azaltılması için üretim süresini etkileyen faktörlerin tespit edilmesi gerekmektedir.
Üretim süresine etki eden faktörlerin tespit edilmesi bu faktörler üzerindeki yapılabilecek iyileştirmeleri
öngörmeyi sağlamaktadır. Bu çalışmada kablo makineleri üretimi yapan bir işletmenin üretim süresine etki
eden faktörleri belirlemek için CNC makinelerine ait veriler veri madenciliği teknikleri kullanılarak analiz
edilmiştir. Literatürde benzer bir çalışmaya rastlanmamıştır. Analizlerde, Weka programının nitelik seçimi
değerlendiricileri ve sınıflandırma algoritmaları kullanılmıştır. Nitelik seçimi değerlendiricilerinden
InfoGainAttribute, CfsSubset, ClassifierAttibute ve GainRatioAttribute çalıştırılmıştır. Nitelik seçimi
sonucunda InfoGainAttribute ile parça adı, makine adı, üretim ayı, ortalama sıcaklık, operatör adı, tezgâh
markası, haftanın günü, parça tipi, operatör eğitim düzeyi, tezgah tipi; CfsSubset ile parça adı, ortalama
sıcaklık ve üretim ayı; ClassifierAttribute ile bakım ile üretim arasındaki gün ve GainRatioAttribute ile
ortalama sıcaklık, üretim ayı, parça adı ve makine adı niteliklerinin üretim süresi üzerinde etkili olduğu
bilgileri elde edilmiştir. Sınıflandırma yapılırken kural tabanlı ve karar ağacı tabanlı algoritmalar
çalıştırılmıştır. Kural tabanlı sınıflandırma algoritmalarından DecisionTable, JRip, OneR, Part, ZeroR
algoritmaları; karar ağacı tabanlı sınıflandırma algoritmalarından ise RandomTree, RepTree, LMT ve J48
kullanılmıştır. Sınıf niteliği kategorileri, üretim süresinin kesiklendirilmesi ile oluşturulup sırayla 4, 3 ve
2 kategorili olarak denenmiş ve beklendiği gibi kategori sayısı azaldıkça sınıflandırma doğruluğunun arttığı
görülmüştür. En iyi sonuç veren üç algoritma olan RandomTree, PART ve REPTree algoritmalarına göre
sınıflandırma doğruluğu sırasıyla sınıf niteliği 4 kategorili olduğunda %97,43, %69,52, %63,21; 3
kategorili olduğunda %97,97, %74,33, %66,84; 2 kategorili olduğunda ise %98,29, %76,36 ve %76,26
olarak bulunmuştur. Bu çalışma sonucunda işletmenin CNC makinelerinde üretim süresini etkileyen
faktörler tespit edilmiştir. Elde edilen bilgiler işletmenin üretim süreçlerinde ileriye yönelik kararlar
alınırken karar destek girdisi olarak kullanılacaktır.