Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một phương pháp mới để hình thành nhóm bộ phận cho hệ thống sản xuất tái cấu trúc
Tóm tắt
Hệ thống sản xuất tái cấu trúc (Reconfigurable Manufacturing Systems - RMS) là bước tiến tiếp theo trong sản xuất, cho phép sản xuất bất kỳ số lượng bộ phận phức tạp và được tùy chỉnh cao nào cùng với những lợi ích của sản xuất hàng loạt. Trong các RMS, các bộ phận được nhóm lại thành các gia đình, mỗi gia đình cần một cấu hình hệ thống cụ thể. Ban đầu, hệ thống được cấu hình để sản xuất gia đình bộ phận đầu tiên. Một khi gia đình này hoàn thành, hệ thống sẽ được tái cấu hình để sản xuất gia đình thứ hai, và cứ như vậy. Hiệu quả của một RMS phụ thuộc vào việc hình thành bộ tập hợp các gia đình bộ phận tối ưu, giải quyết các vấn đề về khả năng tái cấu trúc khác nhau. Để đạt được điều này, một phương pháp hai giai đoạn được phát triển, trong đó các bộ phận đầu tiên được nhóm lại thành các gia đình và sau đó các gia đình được sắp xếp theo thứ tự, tính toán cấu hình máy móc và mô-đun cần thiết cho mỗi gia đình. Ở giai đoạn đầu tiên, các bộ phận được nhóm lại thành các gia đình dựa trên các đặc điểm chung của chúng. Ma trận tương quan được phát triển như một ma trận hệ số tương đồng chuỗi thao tác. Phân tích thành phần chính (Principal Component Analysis - PCA) được áp dụng để tìm các giá trị riêng và vector riêng trên ma trận tương đồng. Phân tích biểu đồ phân tán như một phân tích nhóm được áp dụng để tạo thành các nhóm bộ phận trong khi tối đa hóa mối tương quan giữa các bộ phận dựa trên tương đồng chuỗi thao tác. Thuật toán K-means phân cụm phân cấp tích cực cải thiện việc hình thành gia đình bộ phận bằng cách sử dụng khoảng cách Euclide, kết quả là một tập hợp các gia đình bộ phận. Ở giai đoạn thứ hai, lựa chọn tối ưu và trình tự của các gia đình bộ phận kết quả được đạt được bằng cách sử dụng mô hình lập trình tuyến tính nguyên hỗn hợp (Mixed Integer Linear Programming - MILP) nhằm tối thiểu hóa chi phí tái cấu trúc và sử dụng không hiệu quả để tìm ra giải pháp có chi phí tối thiểu.
Từ khóa
#Hệ thống sản xuất tái cấu trúc #hình thành nhóm bộ phận #lập trình tuyến tính nguyên hỗn hợp #phân tích thành phần chính #thuật toán K-meansTài liệu tham khảo
Koren, Y., Jovane, F., Heisel, U., Moriwaki, T., Pritschow, G., Ulsoy, A.G., VanBrussel, H.: Reconfigurable Manufacturing Systems. CIRP Ann. 48(2), 527–540 (1999)
Xiaobo, Z., Jiancai, W., Zhenbi, L.: A stochastic model of a reconfigurable manufacturing system Part 1: a framework. Int. J. Prod. Res. 38(10), 2273–2285 (2000)
Lokesh,.K., Jain, P.K.: A model and optimization approach for reconfigurable manufacturing system configuration design. Int. J. Prod. Res. 50(12), (2011).
Abdi, M.R., Labib, A.W.: Grouping and selecting products: the design key of Reconfigurable Manufacturing Systems (RMSs). Int. J. Prod. Res. 42(3), 521–546 (2004)
Galan, R., Racero, J., Eguia, I., Garcia, J.M.: A systematic approach for product families formation in Reconfigurable Manufacturing Systems. Robot. Comput. Integr. Manuf. 23, 489–502 (2007)
Vakharia, A., Wemmerlov, U.: A comparative investigation of hierarchical clustering techniques and dissimilarity measures applied to the cell formation problem. J. Oper. Manag. 13, 117–138 (1995)
Yin, Y., Yasuda, K.: Similarity coefficient methods applied to cell fprmation problem: a taxonomy and review. Int. J. Prod. Econ. 101, 329–352 (2006)
Papaioannou, G., Wilson, J.M.: The evolution of cell formation problem methodologies based on recent studies (1997–2008): review and directions for future research. Eur. J. Oper. Res. 206, 509–521 (2010)
Jolliffe, I.T.: Principal Component Analysis. Springer, New York (1986)
Preisendorfer, R.: Principal Component Analysis in Meteorology and Oceanography. Elsevier Science (1988).
Pearson, K.: On lines and planes of closest fit to systems of points in space. Philos. Mag. 2, 559–572 (1901)
Tuncer, Y., Tanik, M.M., Alison, D.B.: An overview of statistical decomposition techniques applied to complex systems. Comput. Stat. Data. Anal. 52(5), 2292–2310 (2008)
Horenko, I., Dittmer, E., Schütte, C.: Reduced Stochastic Models for Complex Molecular Systems. Comput. Vis. Sci. 9(2), 89–102 (2006)
Rothenberger, M.A., Dooley, K.J., Kulkarni, U.R., Nada, N.: Strategies for software reuse: a principal component analysis of reuse practices. IEEE Trans. Softw. Eng. 29(9), 825–837 (2003)
Barbieri, P., Adami, G., Piselli, S., Gemiti, F., Reisenhofe, E.: A three-way principal factor analysis for assessing the time variability of freshwaters related to a municipal water supply. Chemom. Intell. Lab. Syst. 62(1), 89–100 (2002)
Lokesh, K., Jain, P.K.: Concurrent part machine group formation with important production data. Int. J. Simul. Model. 9(1), 5–16 (2010)
Shehroz, S.K., Ahmad, A.: Cluster center initialization algorithm for K-means clustering. Pattern Recogn. Lett. 25, 1293–1302 (2004)
Chaea, S.S., Wardeb, W.D.: Effect of using principal coordinates and principal components on retrieval of clusters. Comput. Stat. Data Anal. 50(6), 1407–1417 (2005)
Gnanadesikan, R.: Methods for Statistical Data Analysis of Multivariate Observations. Wiley-Interscience, New York (1997)
Rummel, R.J.: Applied Factor Analysis. Northwestern University Press, Evanston, USA (1988)
Lawler, E., Lenstra, J., Kan, A., Shmoys, D.: The Traveling Salesman Problem. Wiley, New York (1992)