BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Burduk Anna (Wroclaw University of Technology, Wroclaw, Poland), Grzybowska Katarzyna (Poznan University of Technology, Poland), Kovács Gábor (Budapest University of Technology and Economics)
Tytuł
Hybrid Model of an Expert System for Assessing the Stability of a Production System
Hybrydowy model eksperckiego systemu oceny stabilności systemu produkcyjnego
Hybrides Modell Eines Experten-Systems für die Beurteilung von Stabilität Eines Produktionssystems
Źródło
LogForum, 2018, vol. 14, nr 4, s. 507-518, rys., bibliogr. 21 poz.
Słowa kluczowe
Produkcja, Ocena ryzyka, Sztuczne sieci neuronowe (SSN), Logika rozmyta, Zmienność
Production, Risk assessment, Artificial neural networks (ANN), Fuzzy logic, Variability
Uwagi
summ., streszcz., zfsg.
Statutory fund of Wrocław University of Science and Technology, Faculty of Mechanical Engineering.
Abstrakt
Wstęp: W artykule przedstawiono koncepcję sterowania systemem produkcyjnym, pozwalającą na zachowanie jego stabilności, a tym samym na realizację założonych planów produkcyjnych. W tym celu zaproponowano połączenia modeli symulacyjnych i modeli sztucznych sieci neuronowych (SSN) systemu produkcyjnego. Połączenie obydwu typów modeli było możliwe dzięki opracowaniu hybrydowego modelu systemu ekspertowego do oceny możliwości realizacji planu produkcji (celu) w zależności od wielkości ryzyka i poziomu stabilności analizowanego systemu produkcyjnego. Analizowany problem - możliwość realizacji planów produkcyjnych w zależności od wielkości ryzyka i poziomu stabilności systemu produkcyjnego - jest trudny do zamodelowania matematycznego. Jednak na podstawie analizy danych, pochodzących z modelu symulacyjnego i modelu ANN, można uzyskać informacje dotyczące zależności odpowiadających sobie wartości wejściowych i wyjściowych.
Metody: Na podstawie przedstawionego sposobu zarządzania procesu produkcyjnego z wykorzystaniem modeli komputerowych, przeanalizowano możliwości zastosowania modeli symulacyjnych i modeli ANN w ocenie stabilności i ryzyka systemów produkcyjnych. Dokonano analizy i porównania obydwu typów modeli ze względu na sposób budowy oraz rodzaj danych wejściowych i wyjściowych.
Wyniki: Na bezpośrednie połączenie modeli symulacyjnych i modeli SSN nie pozwala ich odmienna budowa, specyfika oraz inne rodzaje danych wejściowych i wyjściowych. Dlatego prezentowana w artykule koncepcja fuzji obydwu typów modeli odbywa się poprzez bazę wiedzy eksperckiej i wnioskowanie rozmyte.
Wnioski: Na potrzeby sterowania systemem produkcyjnym, zaproponowano budowę hybrydowego modelu systemu ekspertowego do oceny możliwości realizacji celu w zależności od wielkości ryzyka i poziomu stabilności systemu produkcyjnego. (abstrakt oryginalny)

Background: The article presents the concept of control of the production system, which allows to maintain its stability, and thus to implement the established production plans. For this purpose, combinations of simulation models and artificial neural network (ANN) models of the production system have been suggested. The combination of both types of models was possible thanks to the development of a hybrid model of the expert system to assess the possibility of implementing the production plan (objective) depending on the risk size and the level of stability of the production system analysed. The analysed problem - the possibility of implementing production plans depending on the risk size and the level of stability of the production system - is difficult to mathematical modelling. However, based on the data analysis from the simulation model and the ANN model, we can obtain information on the dependences of the corresponding input and output values.
Methods: Based on the presented method of managing the production process using computer models, the possibilities of using simulation models and ANN models in assessing the stability and risk of production systems have been analysed. The analysis and comparison of both types of models have been performed due to the construction and the type of input and output data.
Results: The direct combination of simulation models and ANN models is not allowed by their different structure, specificity and other types of input and output data. Therefore, the concept of combination of both types of models presented in the article is conducted via a database of expertise and fuzzy inference.
Conclusions: For the purpose of controlling the production system, it was suggested to build a hybrid model of an expert system to assess the possibility of achieving the objective depending on the risk size and the level of stability of the production system. (original abstract)
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Alexopoulos C., 2006. A comprehensive review of methods for simulation output analysis, in: Perrone L.F., Wieland F.P., Liu J., Lawson B.G., Nicol D.M., Fujimoto R.M. (eds). Proceedings of the 38th Winter Simulation Modelling Conference. ACM: New York, 168-178.
  2. Bergmann S., Stelzer S., Strassburger S., 2014. On the use of artificial neural networks in simulation-based manufacturing control, Journal of Simulation, 8(1), 76-90. http://dx.doi.org/10.1057/jos.2013.6
  3. Bijulal D., Jayendran V., Hemachandra N., 2011. Service levels, system cost and stability of production-inventory control systems, International Journal of Production Research, 49(23), 7085-7105., http://dx.doi.org/10.1080/00207543.2010.538744
  4. Can B., Heavey C., 2012. A comparison of genetic programming and artificial neural networks in metamodeling of discrete-event simulation models, Computers & Operations Research, 39, 424-436. http://dx.doi.org/10.1016/j.cor.2011.05.004
  5. Cheraghi S.H., Dadashzadeh M., Soppin M., 2008. Comparative analysis of production control systems through simulation, Journal of Business & Economics Research, 6 (5), 87-103. http://dx.doi.org/10.19030/jber.v6i5.2421
  6. Daaboul J., Castagna P., Da Cunha C., Bernard A., 2014. Value network modelling and simulation for strategic analysis: a discrete event simulation approach, International Journal of Production Research, 52(17), 5002-5020. http://dx.doi.org/10.1080/00207543.2014.886787
  7. Delen D., Pratt D., 2006. An integrated and intelligent DSS for manufacturing systems, Expert Systems with Applications, 3(2), 325-336. http://dx.doi.org/10.1016/j.eswa.2005.07.017
  8. Grzybowska K., Hoffa-Dąbrowska P., 2017. Durability of supply chains as nonrenewable systems, in: Burduk A., Mazurkiewicz D. (eds.), Intelligent Systems in Production Engineering and Maintenance - ISPEM 2017, Proceedings of the First International Conference on Intelligent Systems in Production Engineering and Maintenance ISPEM 2017, Advances in Intelligent Systems and Computing, Springer International Publishing, 227-237. http://dx.doi.org/10.1007/978-3-319-64465-3_23
  9. Hadaś Ł., Cyplik P., 2010. Hybrid production planning system in make-to-order company - case study, LogForum 6,4,5.
  10. Kjellberg H., Azimont F., Reid E., 2015. Market innovation processes: Balancing stability and change, Industrial Marketing Management, 44, 4-12. http://dx.doi.org/10.1016/j.indmarman.2014.10.002
  11. Mamdani E.H., Assilian S., 1975. An experiment in linguistic synthesis with a fuzzy logic controller, International Journal of Man-Machine Studies, 7, 1-13. http://dx.doi.org/10.1016/S0020-7373(75)80002-2
  12. Pawlewski P., 2014. Multimodal Approach to Modeling of Manufacturing Processes, Variety Management in Manufacturing. Proceedings of the 47th CIRP Conference on Manufacturing Systems, Procedia CIRP 17, 716-720. http://creativecommons.org/licenses/by-ncnd/3.0/
  13. Sahin S., Tolun M.R., Hassanpour R., 2012. Hybrid expert systems: A survey of current approaches and applications, Expert Systems with Applications, 39(4), 4609-4617. http://dx.doi.org/10.1016/j.eswa.2011.08.130
  14. Sitek P., 2014. A hybrid approach to the twoechelon capacitated vehicle routing problem (2E-CVRP), Advances in Intelligent Systems and Computing 267, 251-263. http://dx.doi.org/10.1007/978-3-319-05353-0_25
  15. Tasdemir S., Saritas I., Ciniviz M., Allahverdi N., 2011. Artificial neural network and fuzzy expert system comparison for prediction of performance and emission parameters on a gasoline engine, Expert Systems with Applications, 38(11), 13912-13923. http://dx.doi.org/10.1016/j.eswa.2011.04.198
  16. Taylor S., Eldabi T., Riley G., Paul R., Pidd M., 2009. Simulation modelling is 50! Do we need a reality check? Journal of the Operational Research Society, 60(1), 69-82. http://dx.doi.org/10.1057/jors.2008.196
  17. Venkateswaran J., Son Y.J., 2007. Effect of information update frequency on the stability of production-inventory control systems, International Journal of Production Economics, 106 (1), 171-190. http://dx.doi.org/10.1016/j.ijpe.2006.06.001
  18. Yu J., Xi L., 2009. A neural network ensemble-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes, Expert Systems with Applications, 36(1), 909-921. http://dx.doi.org/10.1016/j.eswa.2007.10.003
  19. Zadeh L.A., 1975a. The concept of a linguistic variable and its application to approximate reasoning-I, Journal of Information Science, 8, 199-245.
  20. Zadeh L.A., 1975b. The concept of a linguistic variable and its application to approximate reasoning-II, Information Sciences, 8 , 301-357.
  21. Zwolińska B., Grzybowska K., Kubica Ł., 2017. Shaping Production Change Variability in Relation To The Utilized Technology, 24th International Conference on Production Research (ICPR 2017), ISBN: 978-1-60595-507-0, ISSN: 2475-885X, 51-56. http://dx.doi.org/10.12783/dtetr/icpr2017/17582
Cytowane przez
Pokaż
ISSN
1895-2038
Język
eng
URI / DOI
http://dx.doi.org/10.17270/J.LOG.2018.305
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu