مقاله انگلیسی کیفیت در برنامه ریزی تولید: تعریف، کمی سازی و روش بهبود مبتنی بر یادگیری ماشین

سلام دوست من ، توی این پست براتون یه مقاله انگلیسی جدید که در دسته مقالات مهندسی صنایع هست، منتشر کردیم. این مقاله یه مقاله کنفرانسی و علمی پژوهشی هست که توی پایگاه الزویر در سال ۲۰۲۳ منتشر شده. فایل انگلیسی شامل ۸ صفحه PDF هست بخش هایی از مقاله انگلیسی ترجمه شده که قبل از سفارش می تونید کیفیت ترجمه رو بررسی کنید. برای سفارش ترجمه کامل مقاله روی گزینه ثبت سفارش ترجمه کلیک کنید بعد از ثبت سفارش پیش فاکتور از طریق ایمیل و پیامک خدمتتون ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.

کد محصول: M1541

سال نشر: ۲۰۲۳

نام ناشر (پایگاه داده): الزویر

نام مجله: Procedia Computer Science

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی:  ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: ۸ صفحه PDF

عنوان کامل فارسی:

مقاله انگلیسی ۲۰۲۳: کیفیت در برنامه ریزی تولید: تعریف، کمی سازی و روش بهبود مبتنی بر یادگیری ماشین

عنوان کامل انگلیسی:

Quality in production planning: Definition, quantification and a machine learning based improvement method

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M1541)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

قابلیت اطمینان طرح های تولیدی طی چند روز پس از ایجاد طرح به شدت کاهش می یابد. دلایل انحراف بین برنامه ریزی و اجرا بسیار متنوع است. دلایل می تواند به عنوان مثال شامل عدم قطعیت، داده های برنامه ریزی نادرست یا ناکافی (به عنوان مثال، کیفیت و در دسترس بودن داده ها)، مدل ها و سیستم های برنامه ریزی و کنترل نامناسب یا رویدادهای غیرقابل پیش بینی باشد، که منجر به تلاش کنترلی بالا برای رسیدن به KPIهای لجستیکی مورد نظر، مانند قابلیت اطمینان زمان یا زمان تدارک می شود. این مقاله به این مسئله با استفاده از یادگیری ماشین می پردازد و یک رویکرد روش شناختی برای اندازه گیری و بهبود کیفیت در برنامه ریزی تولید بیان می کند. اگرچه اصطلاح “کیفیت برنامه ریزی” (PQ) چندین بار توسط محققان استفاده شده است، اما هنوز تعریف استانداردی از PQ در زمینه برنامه ریزی تولید و تمایز واضحی با سایر مفاهیم مشابه مانند “برنامه ریزی قدرتمند” وجود ندارد. علاوه بر این، PQ و کاربرد آن در فرآیند برنامه ریزی تولید با یک مورد کاربری صنعتی واقعی در صنعت تولید فولاد ارزیابی می شود.

کلیدواژه: برنامه ریزی تولید، زمان بندی، انعطاف پذیری، یادگیری ماشین، کیفیت برنامه ریزی، پیش بینی

Abstract  

The reliability of production plans drops drastically within several days after plan creation. The reasons for the deviation between planning and execution are manifold. Causes can be e.g., uncertainties, inaccurate or insufficient planning data (e.g., data quality and availability), inappropriate planning and control models and systems or unforeseeable events, leading to high control effort in order to reach the desired logistical KPI’s, such as due date reliability or lead time. The paper addresses this problem with machine learning and states a methodological approach to measure and improve the quality in production planning. Although the term “planning quality” (PQ) has been used several times by the scientific community, a standard definition of PQ in the field of production planning and a clear distinction to other similar concepts like “robust planning” is still missing. Furthermore, PQ and its application within the production planning process are evaluated with a real industrial use case from the steel manufacturing industry.

Keywords: production planning, scheduling, resilience, machine learning, planning quality, prediction

۱.Introduction

The importance of logistics performance, quantified by delivery time, inventory levels, capacity utilization or lead time, is becoming increasingly important for sustainable business success [1]. Production planning and control (PPC) coordinates all relevant logistics activities along the entire order processing chain and therefore contributes significantly to ensuring the economic realization of the production program reaching the desired logistics performance [2] [1]. Moreover, complexity in planning is driven on the one hand externally due to fluctuations in demand and supply within the past two years caused by the Covid-19 pandemic and the resulting crisis [3]. However, this trend cannot be considered as new, but it evolved in the past decades and is likely to continue in the future. Furthermore, complexity within PPC is driven by the interaction between the production system, the increasing number of digital artefacts and the social aspects named as “cyber-physical sozio-system” (CPSS) [4]. This results in increasing complexity and a non-linear behaviour of the CPSS, making predictability even more complex. [6][7][8][9][10]…

۴. Conclusion

The definition and quantification of the PQ was the main focus of the present paper. First, an overview was given on similar production planning related terms quality, planning quality and robust planning. The paper defines planning quality as the deviation between real, actual date and planned or predicted end date of a production order. In the presented industrial use case, concerning the mean of the dataset the the prediction outperforms the currently applied planning approach. However, regarding the standard deviation the current used planning has better performance than the prediction coming from the machine learning algorithms. Considerations have been made how the most appropriate method might be identified…