Determining the factors affecting production time by utilizing data mining techniques


Işık K., Kapan Ulusoy S.

International Conference on Access to Recent Advances in Engineering and Digitalization, Kayseri, Turkey, 5 - 07 March 2020, pp.119-120

  • Publication Type: Conference Paper / Summary Text
  • City: Kayseri
  • Country: Turkey
  • Page Numbers: pp.119-120

Abstract

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.