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), Safonyk Andrii (National University of Water and Environmental Engineering, Rivne, Ukraine)
Tytuł
The Use of a Hybrid Model of the Expert System for Assessing the Potentiality Manufacturing the Assumed Quantity of Wire Harnesses
Hybrydowy model eksperckiego systemu oceny stabilności systemu produkcyjnego
Źródło
LogForum, 2019, vol. 15, nr 4, s. 459-473, rys., tab., bibliogr. 17 poz.
Słowa kluczowe
Produkcja, Ocena ryzyka, Sztuczne sieci neuronowe (SSN), Logika rozmyta, Systemy ekspertowe
Production, Risk assessment, Artificial neural networks (ANN), Fuzzy logic, Expert systems
Uwagi
summ., streszcz.
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: Control plays the main role in ensuring the stability of production processes, while digital models of processes and methods of artificial intelligence are used more and more commonly in it. Production of highly diversified items in small lots at low inventory levels is characterised by a much lower stability as compared with largelot manufacturing. Additionally, innovations created for items or processes result in disturbances to current work. Although this turbulence is usually momentary, it may lead to a loss of function or manufacturing stability, which in turn translates into financial losses, as well as losing customers. This paper presents the potential of using simulation models and artificial neural network models to assess the stability of a reorganized production system. Methods: The problem analysed in the paper is that of merging a simulation model with an ANN model by designing a hybrid model. A direct connection of both types of models is not possible due to their various structures, specificity, and different purposes, as well as the various types of input and output data. Therefore, the idea of merging these two types of models through an expert knowledge base and fuzzy inference was proposed. The results from the simulation model and the ANN model were used to gather the knowledge on the production system being analysed. It has been proposed that the output from the simulation model provided knowledge of the risk level, while the output from the ANN model provided knowledge of process stability. Results: The paper presents the idea of projecting a hybrid model of the expert system in order to assess the stability of a reorganized production system. A model of a hybrid expert system was developed to assess the potential of executing the assumed production plans. The level of risk and the level of stability determined by the simulation model and the ANN model are entered into the system. The output from the expert model is the value of the variable determining the potential of achieving the goal. In the construction of the model, fuzzy inference was used, which uses linguistic variables and is characterized by a knowledge system in the form of fuzzy rules "if ... then ...". For both the independent variable and for the dependent variable, a set of membership functions representing accepted linguistic variables was proposed, and then decision rules were determined. The idea of merging simulation models with ANN models was tested on a practical example in production system that manufactures products for dishwashers. Conclusions: The potentiality to execute production plans depending on the level of risk and the level of stability of the production system is too complicated to be modelled mathematically, but based on the analysis of data from the simulation and ANN models, it is possible to obtain information concerning the relations between corresponding input and output values. (original abstract)
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Antosz K., Stadnicka D., 2017. An Intelligent System Supporting a Maintenance Process of Specialised Medical Equipment, 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, 23-32. http://doi.org/10.1007/978-3-319-64465-3_3.
  2. Burduk A., 2015. Artificial Neural Networks as Tools for Controlling Production Systems and Ensuring Their Stability, Saeed K., Chaki R., Cortesi A., Wierzchon S. (eds.), Computer Information Systems and Industrial Management Applications - CISIM 2013, Proceedings of the 12th IFIP TC8 International Conference on Computer Information Systems and Industrial Management Applications CISIM 2013, Lecture Notes in Computer Science, Springer International Publishing, 8104 487-498., http://doi.org/10.1007/978-3-642-40925-7_45.
  3. Burduk A., Chlebus E. 2009a. Methods of Risk Evaluation in Manufacturing Systems. Archives of Civil and Mechanical Engineering, 9(3), 17-30. http://doi.org/10.1016/S1644-9665(12)60215-5.
  4. Burduk A., Chlebus E. 2009b. Evaluation of the Risk in Production Systems with a Parallel Reliability Structure, Eksploatacja i Niezawodność - Maintenance and Reliability, 2(42), 84-95. http://www.ein.org.pl/pl-2009-02.
  5. 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://doi.org/10.1016/j.cor.2011.05.004.
  6. Cyplik P., Hadaś Ł., Fertsch M., 2009. Production Planning Model with Simultaneous Production of Spare Parts, International Journal of Production Research, 47, 8, 2091-2108, http://doi.org/10.1080/00207540802644837.
  7. Deming W.E., 1993. The new economics for industry, government, education, Cambridge MA: MIT Press.
  8. Gola A., Klosowski G., 2019. Development of computer-controlled material handling model by means of fuzzy logic and genetic algorithms. Neurocomputing, 338, 381- http://doi.org/10.1016/j.neucom.2018.05.125.
  9. Grzybowska K., Gajdzik B., 2012. Optimisation of equipment setup processes in enterprises, Journal Metalurgija, 51(4), 563-566, http://doi.org/65.01:669.013.003:658.5:658.8=111.
  10. Johnston Ch., 2016. Crafting a System of Profound Knowledge Management in Long-Term Care, Walden University. https://scholarworks.waldenu.edu/dissertations/3173/
  11. Kiedrowicz K., Nowicki T., Waszkowski R. et al., 2016. Method for assessing software reliability of the document management system using the RFID technology, International Conference on Circuits, Systems, Communications and Computers, 76, N. Mastorakis, V. Mladenov, and A. Bulucea, Eds., http://doi.org/10.1051/matecconf/20167604009.
  12. LeCun Y., Bengio Y., Hinton G., 2015. Deep learning. Nature 521, 436-444. http://doi.org/10.1038/nature14539.
  13. 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/.
  14. Sitek P., Wikarek J., 2016. A Hybrid Programming Framework for Modeling and Solving Constraint Satisfaction and Optimization Problems, Scientific Programming, http://doi.org/10.1155/2016/5102616.
  15. 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://doi.org/10.1057/jors.2008.196.
  16. Zhang Z., Wang X., Wang X., Cui F., Cheng H. 2019. A simulation-based approach for plant layout design and production planning. Journal of Ambient Intelligence and Humanized Computing 10, 1217-1230. http://doi.org/10.1007/s12652-018-0687-5.
  17. 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), 51-56. http://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.2019.360
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu