LEE- Endüstri Mühendisliği-Doktora
Bu koleksiyon için kalıcı URI
Gözat
Son Başvurular
1 - 5 / 16
-
ÖgeDairesel sezgisel bulanık CODAS (D-SB CODAS) yöntemi ile yeşil lojistik merkezi yeri seçimi: İstanbul ili örneği(Lisansüstü Eğitim Enstitüsü, 2023-12-15)Lojistik faaliyetlerinin önemi günümüzde çevresel etmenler doğrultusunda giderek artmaktadır. Hammadde tedâriğinden başlayarak nihaî ürünün müşteriye teslim edilmesine kadar olan süreçlerde, malların, insanların, bilgilerin ve diğer kaynakların taşınması, lojistik faaliyetleri olarak tanıtılmaktadır. Lojistik faaliyetleri arasında depolama yönetimi, stok yönetimi, nakliye ve bilgi işleme ile tedârikçiden son tüketiciye dağıtım yer almaktadır. Tanımından da anlaşıldığı üzere, tedârik zinciri yönetiminin her bir adımında yer alan ve önemli roller üstlenen lojistik faaliyetleri, teknolojik ve toplumsal gelişmelerin paralelinde tüm dünya ülkeleri için büyük sorun oluşturan çevre kirliliği sorunlarından etkilenmektedir. Çevresel sorunları dikkate alan çevreci lojistik faaliyetler, yeşil lojistik olarak adlandırılmaktadır. Yeşil lojistik kısaca ürünlerin, insanların ve bilgilerin taşınması faaliyetleri sırasında çevre kirliliği konusunda duyarlı, doğal kaynakları koruyan, karbon emisyon oranlarını en aza indirgemeyi hedefleyen süreçler olarak tanıtılmaktadır. 1970'li yıllardan itibaren yeşil kavramı literatürde ve çeşitli çevre konularını içeren dünya çapında yapılmış konferanslarda, önem arz ederek yer almaktadır. Yeşil lojistik kavramı ise 1990'lı yıllardan itibaren literatürde yer almış bir kavramdır. Çevre kirliliğine dikkat çeken, dünya çapında gerçekleştirilen, 1997 yılı Kyoto Protokolü ve ardından Kopenhag Protokolü, 2015 yılında imzalanan Paris İklim Anlaşması vb. toplantı ve sözleşmelerle yeşil lojistiğin önemi vurgulanmıştır. Çevre raporları incelendiğinde, taşımacılık faaliyetli karbon emisyon oranlarının çevre kirliliği etmenleri arasında oldukça etkili olması, yeşil lojistik kavramını ön plâna çıkaran gelişmelerin özetidir. Çevre kirliliğini önlemek, bu hususta çeşitli önlemler almak adına, son olarak Avrupa Birliği (AB) ülkeleri 2019 yılında Yeşil Mutabakat'ı imzalamıştır. Yeşil Mutabakatın hedefi, özet olarak 2030 yılına kadar sera gazını, 1990 düzeylerine göre en az %50, olanaklı ise %55 azaltmak, 2050 yılında ise sıfırlamaktır. Bu doğrultuda, lojistik, inşaat, enerji, üretim ve birçok sektörde köklü değişiklikler yapılması plânlanmaktadır. Yeşil Mutabakat ile gerçekleştirilmesi plânlanan sektörel değişimler düşünüldüğünde, çalışma kapsamında lojistik sektörünü kapsayan değişimler önem arz etmektedir. Belirlenen hedeflere ulaşabilmek için, Yeşil Mutabakat ana eylem plânında 8 ana başlık oluşturulmuştur. Lojistik konusu bağlamında önemli olan başlık ise, sürdürülebilir ve akıllı hareketliliğe geçişi hızlandırmak ana başlığıdır. AB'de sera gazı salınım oranlarının yaklaşık %25'ine neden olan taşımacılık faaliyetleri bu kapsam altındadır. İlgili başlıkta hedeflenen, taşımacılıkta, çevreci teknolojilere geçişin sağlanması ve çok modlu taşımacılık uygulamalarına geçişlerin teşvik edilmesidir. Lojistik sektörü bağlamında düşünüldüğünde, Yeşil Mutabakatın Türkiye lojistik sektörüne etkileri büyük olacaktır. Çünkü, Yeşil Mutabakat ile Avrupa Birliği ülkeleri salt kendileri için belirli hedefler koymamıştır. Aynı zamanda, Türkiye'nin de içinde olduğu Avrupa Birliği ile ekonomik ve sosyal ilişki içinde bulunan paydaş ülkelerin de belirli yeşil hedeflere ulaşması beklenmektedir. Türkiye bu durumda büyük hacimli ticarî ilişkiler içerisinde bulunduğu AB ülkelerinde yaşanan yeşil dönüşüme kayıtsız kalamayacaktır. Bu bağlamda, tez çalışması kapsamında Türkiye lojistik sektörünün Yeşil Mutabakata uyum sırasında gerçekleştireceği dönüşüm düşünülerek çalışma konusu olgunlaştırılmıştır. Sıfır karbon salınımı için taşımacılık araçlarında revizyon, çok modlu taşımacılık gibi uygulamalar Yeşil Mutabakatın sürdürülebilirlik ve akıllı ulaşım maddesi kapsamında önem arzetmektedir. Yeşil Mutabakat kapsamında taşımacılık sektöründe yaşanacak dönüşüm, çevreci teknolojilere sahip araçların trafikte sıklıkla kullanılmasını sağlayacaktır. Bu bağlamda, Türkiye sınırları içerisinde henüz kurulmamış, Yeşil Mutabakat ve yeşil lojistik ile uyumlu yeşil lojistik merkezlerin plânlanması çalışma kapsamında hedeflenmektedir. Böylelikle, lojistik sektöründe yaşanacak hızlı bir yeşil dönüşüm hareketi içinde yeşil lojistik merkezlerin yer alması önem arzedecektir. Tez kapsamında, yeşil lojistik merkezlerin altyapı ve kapsam olarak plânlanması, konumlarının belirlenmesi öncelikli hedefler olarak oluşturulmuştur. Çalışmada, yeşil lojistik merkezi (park) yer seçimi problemine odaklanılarak problemin çözüm aşamalarında Çok Ölçütlü Karar Verme (ÇÖKV) melez (hibrit) yöntemleri kullanılmıştır. Problemin uygulama kısmında, tez kapsamında geliştirilen dairesel sezgisel bulanık CODAS (D-SB CODAS) yöntemi yeşil lojistik merkezi yer seçimi probleminde kullanılmıştır. D-SB CODAS yönteminin, yeşil lojistik merkezi yer seçimi probleminde uygulanması kararı sonrasında, yöntemin çözüm aşamalarında kullanmak üzere ölçütler, seçenekler ve karar vericiler belirlenmiştir. Bu kapsamda, yeşil lojistik merkezi yer seçimi problemi İstanbul ile sınırlandırılmıştır. Çalışmanın Bunun birçok nedeni bulunmaktadır. Pazara yakınlık, çok modlu taşımacılığa yakınlık, tedârikçilere yakınlık, ekonomik potansiyel vb. etmenler gözönünde bulundurulduğunda, AB Yeşil Mutabakatına uyum sürecinde İstanbul ili özelinde bir çalışma hazırlamanın, lojistik sektörü için önemli olduğu görülmektedir. Uygulama aşamasında, yeşil lojistik merkezi yer seçimi problemi tez kapsamında sunulan D-SB CODAS yöntemi ile çözülerek, yeşil lojistik merkezi için uygun seçenek belirlenmiştir. Sonrasında, karşılaştırmalı analizler gerçekleştirmek adına aynı problem sezgisel bulanık TOPSIS (SB TOPSIS) ve sezgisel bulanık CODAS (SB CODAS) yöntemleri ile yeniden çözülmüştür. Böylelikle, tez kapsamında geliştirilmiş olan D-SB CODAS yönteminin tutarlılığı ve geçerliliği, karşılaştırmalı analizler ile gösterilmeye çalışılmıştır. Bulanık karar verme modeli D-SB CODAS yöntemi kullanılarak çözüldüğünde, karar vericilerin tercihlerine göre yeşil lojistik merkezi için İstanbul ili sınırları içerisinde en uygun ilçenin Tuzla olduğu söylenebilmektedir. Tuzla ilçesi en iyi seçenek olarak seçilirken, diğer seçeneklerin, uygulama sonuçlarına göre, Arnavutköy, Çatalca, Beykoz ve Eyüp ilçeleri şeklinde sıralandığı görülmektedir. Son olarak, çalışma kapsamında elde edilen sonuçlar lojistik sektörü kapsamında değerlendirilmiştir. Değerlendirme aşamasında, Yeşil Mutabakat ile uyum süreci ve yeşil lojistik merkezi kapsamına değinilmiştir. Yeşil lojistik merkezi yer seçimi çalışması sonrasında, kurulması plânlanan yeşil lojistik merkez için bir kapsam önerilmiştir.
-
ÖgeExploiting clustering patterns in training sets to improve classification performance of fully connected layers(Graduate School, 2023-04-06)Fully connected layers are used in almost all neural network architectures ranging from multilayer perceptrons to deep neural networks. These layers allow any kind of interaction between features without making any assumption about the structure of the data. Thanks to this property, with sufficient complexity, fully connected layers are expected to learn any kind of patterns. Practical experience has revealed that this theoretical potential is often not realized. Success of convolutional and recursive layers and findings of many studies have proven that the intrinsic structure of a dataset holds a great potential to improve the success of a classification problem. These layers basically take advantage of the inductive bias based on spatial or sequential structures of specific data types such as text, image, video etc. Also, leveraging clustering to explore and exploit this intrinsic structure in classification problems has been the subject of various studies. This potential led this study to search for a way to incorporate the clustering information of a training set, as a kind of an inductive bias, into the working mechanism of fully connected layers. In this thesis, two different methods are proposed. Both methods aim to improve the classification performance of fully connected layers by feeding them a prior information about the clustering stucture embedded in the training dataset. The first method is a regularization method that focuses on improving the classification results in case of high variance. The second method concentrates on making better predictions in case of high bias. Throughout the study, it was ensured that the methods suggested were applicable regardless of the type of problem being studied and the number of fully connected layers in the architecture. The first method incorporates clustering information of a training set into fully connected layer's nodes without incurring much additional computational costs. It basically depends on clustering the observations before the training phase and then allocating specific nodes in the fully connected layer to one of these clusters during the training. The point of inspiration for this method was the dropout method which is a widely accepted stochastic regularization technique for neural networks. Dropout is using a totally randomized binary matrix to randomly shut down some of the hidden nodes during training iterations. The idea of using a similar matrix to feed the information of different clusters in the training set is the initial step of the proposed solution. Obviously, this matrix has a structured form rather than a randomized one and is obtained by an unsupervised clustering algorithm applied before the training phase. For this unsupervised phase, K-Means and Fuzzy C-Means clustering algorithms were tried separately and their results are compared to the dropout technique as well as to each other. The output matrix in the unsupervised phase is called "Cluster Info Matrix" throughout the thesis. Here we find it essential to note that the fuzzy cluster info matrix always revises the values of the activations in line with the magnitude of the related degree of membership, whereas the K-Means cluster info matrix leaves some of the activations unchanged and set the rest to zero. The difference between the way of manipulations of the fuzzy and K-Means cluster info matrices resembles the difference between L1 and L2 regularization techniques. It is reasonable to propose that L1 regularization, which forces less important variables' weights to be zero, behaves like the K-Means cluster info matrix, whereas the L2 regularization, which tends to diminish the magnitudes of the weights, behaves like the fuzzy cluster info matrix. In the experiment part for the first proposed method, due to imbalanced structure of the dataset, a threshold free performance metric, "Area Under Curve" (AUC) was defined as the target metric. The experiments on the K-Means version of the first proposed method show that even for very low significance levels, the proposed method gives statistically significant higher AUC values in the test set compared to dropout for all architectures covered in the experiments. At this point, the question of whether these improvements are really a result of the node-to-cluster allocation logic, or the same improvement could be achieved by using an arbitrary binary matrix as the cluster info matrix, was also tested as part of the experiments. With this purpose, experiments were repeated by replacing the cluster info matrix with a random binary matrix. The results showed that the cluster-to-node allocation logic of the proposed method plays a significant role in the improvements achieved. During the experiments, it was also observed that the dissimilarity of the clusters as well play an essential role in the results. As expected, the difference made by the proposed method was observed to decrease as distinguishability of the clusters weakens. In the experiments for the Fuzzy C-Means version, the same experimental procedure as in the k- means version was followed. The Fuzzy C-Means version of the proposed method yielded even better results than the K-Means version and consequently to dropout with statistically significant higher test AUC values. The key contributions of the first proposed method can be summarized under four headings, namely (i) it proposes a fully connected layer which embeds the information on intrinsic clusters in the dataset into its hidden nodes, (ii) develops a fuzzy cluster-aware regularization technique for fully connected layers, (iii) it provides experimental results indicating a better performance of the proposed method in classification problems in comparison to the widely adopted fully connected regularization technique, dropout and (iv) it is compatible with any classification architecture that uses fully connected layers. The second proposed method introduces a new training pipeline for fully connected layers in which the extracted features are expected to have the ability to cluster the dataset in the same way as in the original feature space. The method consists of two main stages which are pre-training and training. In the pre-training stage, the dataset is clustered using Fuzzy C-Means algorithm and then a matrix that contains the fuzzy membership degrees of each observation to each cluster is created. The resulting fuzzy membership degrees matrix becomes an input to the second main stage of the proposed method. In the training stage of the proposed method, the fully connected layer is trained in a way to minimize a combined cost function that includes both classification and clustering costs aggregated in a weighted manner. In the experiments part for the second proposed method, performance of a single fully connected layer, which is trained by the proposed method and a regular single fully connected layer are compared to each other. In line with similar studies, test set accuracy metric is defined as the target metric. The results showed that even for very low significance levels, the proposed method is superior compared to a regular fully connected layer in ten of eleven experiments. The experiments also showed that the results of the proposed method are distributed within a range resulting in smaller or at least equal standard deviations compared to the results of the regular fully connected layer. Moreover, in the experimental part of the second proposed method, the variation of clustering costs obtained during training of multiple fully connected layers was investigated. The observations have provided evidence that it becomes more difficult for the obtained features to learn the clustering patterns in the original feature space as we move towards the last layers. Behaviors in an architecture with more than one fully connected layer are not further elaborated, addressing future work. The key contributions of the second proposed method can be listed under five items: (i) it proposes a new training process which makes fully connected layers benefit from the clustering structure of the training dataset; (ii) it puts forward an enhanced fully connected layer which has the ability to classify and cluster a dataset simultaneously; (iii) it incorporates the learning process of cluster centroids into backpropagation; (iv) it conducts experiments that indicate superior prediction performances of the proposed method in various benchmark datasets compared to regular fully connected layers, and (v) it is ready to be employed, without any revision, in any classification architecture that uses fully connected layers. In today's world, machine learning and particularly artificial intelligence applications have a significant role in decision making and automation systems in management, healthcare, public, marketing, agriculture, manufacturing, finance, and technology fields. In these industries, the impacts of decisions made by machine learning algorithms are huge and mostly have very important consequences. Impacts in healthcare and public industries directly relates to human well-being which is hard to quantify with money. On the other hand, industry reports show that estimated financial benefits of machine learning solutions are measured by millions or even billions of dollars in private and public sector. The magnitudes of financial and social impacts of machine learning use cases prove the importance of marginal benefits that can be derived by even small performance improvements in machine learning algorithms. Considering this potential, two methods which are proposed in this thesis create a significant opportunity for the performance improvements of many artificial intelligence applications and consequently for their financial and social impacts.
-
ÖgeHakem atama otomasyonu için bir karar destek sistemi: Doğal dil işleme ve veri-güdümlü optimizasyon ile bütünleşik bir yaklaşım(Lisansüstü Eğitim Enstitüsü, 2023-06-06)Bu tez çalışmasında, proje tekliflerinin değerlendirilmesinde görev alacak teklifin içeriğine hâkim, araştırma alanında yetkin ve tecrübeli hakemleri otomatik olarak belirleyen ve tekliflere atayan bir karar destek sistemi sunulmuştur. Geliştirilen sistemin, hakem atama probleminin üç ana aşamasını birlikte ele alan ve bilgi erişimi, doğal dil işleme ve optimizasyon yöntemlerine dayanan bir sistem olması amaçlanmıştır. Bu amaca ulaşmak için tasarlanan sistem üç ana aşamadan oluşmaktadır. Birinci aşamada, farklı kaynaklardan elde edilen bilgilerle proje teklifleri ve hakemlerin profilleri oluşturulmuştur. İkinci aşamada, ilk olarak tekliflerin başlıkları ve özetlerinden ve hakemlerin geçmiş yayınlarının başlıkları ve özetlerinden oluşturulan metin derlemlerine veri önişleme adımları uygulanmıştır. Bu çalışmada, derlemde yer alan farklı dillerdeki metinlerin varlığı göz önünde bulundurularak kelime temsillerinin oluşturulmasında üç farklı strateji uygulanmış ve elde edilen sonuçlar kıyaslanmıştır. Kelime temsili vektörlerinin çıkarımı için geleneksel frekans bazlı kelime temsil yöntemlerinden TF/IDF, statik kelime temsil yöntemlerinden FastText, bağlamsal kelime temsil yöntemlerinden BERT ve T5 ve çok dilli kelime temsil yöntemlerinden mBERT, XLM-R, DistilmBERT ve DistilmUSE kullanılmıştır. Son olarak, her bir teklif-hakem çifti arasındaki içerik benzerliğini değerlendiren benzerlik skoru, metinlerin vektörel temsillerine dayanarak kosinüs benzerlik metriğiyle hesaplanmıştır. Bu çalışmada, hem geliştirilen karar destek sisteminde kullanılan Türkçe için önceden eğitilmiş kelime temsil modellerinin etkinliğini test etmek ve hem de proje değerlendirme sürecine ayrılan zamanı ve işgücünü azaltmak ve değerlendirmenin diğer süreçlerinde yapılacak işleri kolaylaştırmak için tekliflerin otomatik gruplanmasına yönelik bir yaklaşım sunulmuştur. Teklifleri temsil eden vektörleri elde etmek amacıyla Türkçe dili için önceden eğitilmiş FastText ve BERT yöntemleri ile frekans tabanlı temsil yöntemi olan TF/IDF kullanılmıştır. Elde edilen özellik vektörleri yardımıyla proje teklifleri k-means, k-means++, k-medoids ve aglomeratif kümeleme algoritmaları kullanılarak belirli sayıda kümeye bölünmüştür. Ayrıca, K-En Yakın Komşular, Destek Vektör Makineleri, Yapay Sinir Ağları, Sınıflandırma ve Regresyon Ağaçları ve Rassal Orman gibi sınıflandırma algoritmalarıyla hangi teklifin hangi gruba ait olduğunu otomatik olarak tahmin eden bir sınıflandırma modeli önerilmiştir. Sonuçlar, Türkçe için önceden eğitilmiş yöntemlerin metinleri başarılı bir şekilde temsil ettiğini göstermiştir. Ayrıca önerilen otomatik teklif gruplama yönteminin yöneticilerin gerçekleştirmesi gereken ve zaman alan manuel teklif gruplama görevini otomatikleştirmeyi mümkün kıldığı göstermiştir. Ayrıca, ikinci aşamada yetkin hakemler tarafından değerlendirilmesini sağlamak amacıyla her bir hakem için yetkinlik skoru hesaplanmıştır. Hakem yetkinlik skoru, hakemlerin h-indeks değeri, akademik unvanı ve geçmiş proje değerlendirme performansı puanları bir araya getirilerek belirlenmiştir. Bunlara ek olarak ikinci aşamada değerlendirme sürecinin tarafsızlığını ve adaletini etkileyebilecek teklifle hakem arasındaki çıkar çatışması tespit edilmiştir. Üçüncü aşamada ise projelere yetkin hakemler atamak için çok amaçlı tam sayılı doğrusal programlama optimizasyon modelleri sunulmuştur. Temel model olarak adlandırılan optimizasyon modeli ile kümülatif benzerlik skoru ve kümülatif yetkinlik skorunu maksimize etmek amaçlanmıştır. Modelde proje-hakem benzerliği ve hakem yetkinliği iki amaç olarak formüle edilmiştir. Çözümünde ise proje-hakem benzerliğini, hakem yetkinliğinden daha öncelikli olarak ele alınan sözlüksel yöntem kullanılmıştır. Temel modelde proje teklifi talebi, hakem iş yükü, değerlendirme maliyeti, eğitim maliyeti, bir proje teklifi-hakem çifti arasındaki çıkar çatışmasından kaçınmak gibi kısıtlar dikkate alınmıştır. Temel modelde benzerlik skoru ve yetkinlik skorunu maksimize ederken dengeli hakem iş yükü dağılımı da iki farklı yaklaşım ile araştırılmıştır. Bu yaklaşımlardan birinde dengeli iş yükü üçüncü bir amaç olarak amaç fonksiyonunda esnek bir kısıt olarak ele alınırken, diğer yaklaşımda katı bir kısıt olarak modele eklenmiştir. Ayrıca, üçüncü aşamada, hakem atamasında kümülatif skorların maksimizasyonundan çok en kötü durumdaki tekliflerin iyileştirilmesini sağlayacak bir maks-min model formülasyonu ele alınmıştır. Bunun için problem, amaç fonksiyonlarının önem sıralamasını dikkate alan ve maks-min adalet hedefine dayanan sözlüksel maks-min yöntemi ile çözülmüş ve Temel modeldeki en kötü skorlara sahip %20'lik dilimde önemli iyileştirmeler sağlandığı gösterilmiştir. Önerilen karar destek sisteminin performansı, proje tekliflerine hibe desteği sağlayan İstanbul Kalkınma Ajansı'nın 2012-2021 yılları arasında ilan etmiş olduğu teklif çağrılarına sunulan proje teklifi veri kümesi ile test edilmiştir. Deneysel sonuçlar, önerilen yaklaşımın hakem atama problemi için etkili ve verimli bir şekilde uygulanabileceğini göstermektedir. Ayrıca bu çalışma kapsamında geliştirilen karar destek sistemi ile elde edilen hakem atama sonuçlarıyla manuel atama sonuçları kıyaslanmıştır. Sonuçlara göre, otomatik atamanın hem toplam benzerlik skoru hem de toplam yetkinlik skoru açısından manuel atamadan daha iyi sonuçlar verdiği görülmüştür. Önerilen karar destek sistemi; teklif ve hakem profilini oluşturmak, potansiyel hakemler ile teklifler arasındaki benzerlik skorunu hesaplamak, her bir hakem için yetkinlik skorunu hesaplamak, çıkar çatışmalarından kaçınmak, hakem uzmanlığını ve verimliliğini dengelemek ve tekliflere belirli sayıda hakem atamak için kullanılabilir. Geliştirilen sistemin zaman ve maliyet tasarrufu sağlayarak atama sürecinin verimliliğini artırabileceğine inanılmaktadır. Bölgesel kalkınma ajanslarının proje değerlendirme süreci baz alınarak geliştirilen hakem atama sisteminin diğer devlet/özel fon kurumlarının veya araştırma kurumlarının teklif değerlendirme sürecinde benzer kullanım için kolayca uyarlanabileceği ve genişletilebileceği düşünülmektedir. Ayrıca dergiler ve konferanslar için makale seçim sürecinin proje teklifi seçim sürecine benzerliği göz önünde bulundurularak bu çalışmada önerilen karar destek sisteminin, konferans yönetim sistemleri ve dergi değerlendirme sistemlerini hızlandırmak ve geliştirmek için kullanılabileceği düşünülmektedir.
-
ÖgeOtonom bakım sisteminin aksiyomlarla tasarımı(Lisansüstü Eğitim Enstitüsü, 2023-05-08)İnsan unsurunun yanısıra aralarında ekipmanın da bulunduğu birçok bileşenden oluşan karmaşık üretim sistemlerinin, kısa sürede, başlangıçta hedeflenen performans kriterlerlerine uygun bir biçimde hayata geçirilmesi, şüphesiz önemli bir rekabet avantajıdır. Ayrıca, sistemin devreye alındıktan sonra performans kriterlerinde geriye düşmemesi yani yaratılan avantaj ve yapılan yatırımın korunması gerekir. Bu çalışmada, bir ekipman bakım stratejisi olan Toplam Verimli Bakım ana bileşenlerinden olan Otonom Bakım (OB) gerçekleştirme projeleri için başarıyı ve sürdürülebilirliği teminat altına almayı amaçlayan bir tasarım sunulmaktadır. Tasarım yöntemi olarak, bu tür sistemlerin tasarımında kanıtlanmış olan Aksiyomlarla Tasarım yöntemi kullanılmıştır. OB günlük ekipman bakımı işlerini, merkezi bakım bölümünden alarak üretim bölümüne yani işgörenlere aktaran bir iş dönüşüm projesidir. Dönüşüm neticesinde, işgören takımı merkezi hizmetlerden özerk (otonom) ve ekipmanla ilgili küçük sorunları anında çözebilen bir hale gelmekte; bakım teknisyenleriyse daha artı değerli işlere yönelmektedir. Aksiyomlarla Tasarım, amaçlar ve araçların birbirinden ayrılması; birbirinden bağımsız amaçların en uygun araçlarla sağlanması ilkelerine dayanır. Amaçlar tasarımın ne yapacağını belirlerken, araçlar ise nasıl yapılacağının cevabını bulmayı hedefler. Amaçlar "İşlevsel Gereksinim", bunlara tekabül eden araçlar ise "Tasarım Parametresi" olarak anılır. İşlevsel Gereksinimler, hayata geçirilebilir tasarım parametreleri elde edilene kadar işlevsel bileşenlere ayrılır. Ayrıştırma olarak anılan bu süreç, üst düzey uzun erimli amaçların önce taktiksel, daha sonra da operasyonel düzeylere indirilmesini sağlar, bu düzeylerin birbirleriyle uyumlu olmalarını teminat altına alır; bir iletişim ve işbirliği vasıtası sağlar. Tasarımda, üstün bir üretim sistemi olduğu alanda kanıtlanmış olan Yalın Üretim Sisteminin çözüm kümesinden yararlanılmıştır. Gereksinimler için, en uygun yalın araçların seçilmesi; uygun uygulama sırasının tespiti ve üretimde kullanılan yalın çözümlerin OB gibi farklı nitelikte bir sisteme uyarlanması gerekmiştir. Sistemin ana amacı insan-makina bileşiminin yetkinliğini geliştirmek olarak tespit edilmiştir. Tasarım dört aşamadan oluşmaktadır ve hazırlık aşaması dışında diğer tüm aşamalarda, ana amaç ışığında, ekipman iyileştirilmesi ve insani gelişim beraber ele alınmıştır. Çalışmada hazırlık sürecine, literatürde gözlenenin ötesinde bir önem atfederek yaklaşılmıştır. Takım liderinin yalın örgütlerdeki konumuyla hizalı bir "eğitmenlerin eğitimi" süreci tasarlanmıştır. Takım lideri eğitmenlerin ve daha sonra işgörenlerin eğitiminde ve eğitim planlanmasında, yapılandırılmış iş üstünde eğitim yöntemi olan Endüstride Eğitim (Training Within Industry) araçlarından yararlanılmıştır. Hazırlığı takiben mevcut kaotik durumu ve ekipman güvenilirliğini stabilize eden bir "tepkisel" (reactive) aşama tasarlanmıştır. Tepkisel Otonom Bakım Sistemi, yıllardan beri ihmal edilmiş temizlik, yağlama ve sıkılama işlemlerini düzenler. Bu aşamanın bitiminde ekipman sadece kullanıma bağlı doğal yıpranmaya maruz kalır. Üçüncü aşamanın amacı bunu ekipman kontrolleriyle ölçmek ve olası sorunları önlemektir. Bu yüzden bu aşama "önleyici" (preventive) olarak adlandırılır. Son aşamadaysa, henüz ortaya çıkmamış sorunlar tespit edilerek potansiyel tehlikeler engellenir. Bu tür bir yaklaşım nedeniyle son aşama "önalıcı" (proactive) olarak tanımlanır. Planla-Uygula-Kontrol Et-Önlem Al (PUKÖ) çevrimleri yalın uygulamada sürekli gelişme ve iyileştirmenin motorudur. Bu döngü, alanda operasyondan aşama yapısına kadar farklı konumlarda kullanılmış; tasarım parametrelerinin seçiminde "PUKÖ ile iyileştirilebilir" olmak ana kriter olarak kullanılmıştır. Uygulamanın zaman içinde idame ettirilebilmesi için, "standartlara uyum", birbirine koşut "süreç iyileştirmesi" ve" insani gelişme" ile "otonom denetim" unsurlarından oluşan bir "sürdürülebilirlik çerçevesi" tasarlanmıştır. Bu çerçeve her operasyonel aşamada yeniden kullanılmıştır.
-
ÖgeTakım çalışması esaslı çok-ürünlü demontaj hatlarının tasarımı ve planlanması: Optimizasyon modeli ve çözüm algoritmaları(Lisansüstü Eğitim Enstitüsü, 2023-05-15)Günümüzde büyük bir hızla değişen müşteri ihtiyaçları ve tüketim alışkanlıkları beraberinde kullanılan ürünlerin erkenden demode hale gelmesine ve yenisiyle değiştirilmesine neden olmaktadır. Bu durum ise geride büyük bir atık bırakmaktadır. Atıkla yola çıkmanın en kolay yolu bertaraf yöntemidir. Ancak ekonomik ve çevresel koşullar dikkate alındığında, atık malzemelerin çevreye olan zararının minimize edilmesi oldukça önemli bir konu olarak karşımıza çıkmaktadır. Nitekim ülkemizde olduğu gibi dünya genelinde de bu konuya oldukça hassas yaklaşılmakta ve devletler bu hususta yasal düzenlemelere gitmektedir. Bu da beraberinde atık ürünlerin geri dönüşümüne verilen önemi arttırmaktadır. Atık ürünlerin geri dönüşümü sürecinde en yaygın kullanılan yöntem demontaj faaliyetleridir. Kullanım ömrünü tamamlamış ürünler her ne kadar tekrardan kullanılamaz ve tamir edilemez kabul edilse de içerdikleri bileşenlerden bir kısmı ayrıştırılarak yeniden üretime dahil edilebilmektedir. Demontaj faaliyetleri tek bir iş istasyonunda, demontaj hattında veya demontaj hücresinde yürütülebilmektedir. Bunların arasında demontaj hatları, atık ürünlerin otomatik olarak sökülmesi için en iyi seçenek olarak kabul edilmektedir. Demontaj hatlarının etkin tasarımı ve dengelenmesi hem çevresel faktörler açısından hem de ürünün geri kazanım verimliliği açısından oldukça önemlidir. Geleneksel demontaj hattı dengeleme problemlerinde sıklıkla tek bir ürün modeli ve tek işçinin çalıştığı istasyon konsepti dikkate alınmaktadır. Ancak gerçek hayatta geri dönüşüm tesisleri birden çok modelde ürünün demontaj faaliyetlerini yürütmektedir. Bununla birlikte demontaj sırasında yapılacak faaliyetler gruplanabilmekte ve eş zamanlı olarak yapılabilmektedir. Bu da her bir istasyonda birden çok işçinin çalışmasına olanak sağlamaktadır. Geleneksel çalışma mantığından farklı olan bu tip takım çalışması esasına dayanan iş istasyonlarında işler öncelik ilişkilerine göre belirli kısıtlar altında gruplandırılarak işçilere atanmakta ve bu sayede demontaj faaliyetleri daha az sayıda istasyonda, daha kısa sürede tamamlanmaktadır. Yukarıdaki bilgiler ışığında hazırlanan bu tez çalışmasında takım çalışması esaslı çok- ürünlü çok-periyotlu demontaj dengeleme problemi ele alınmıştır. Problemin amacı dönemsel olarak her ürün modeli için demonte edilecek miktarı hesaplamak ve buna göre o dönem için efektif bir hat dengelemesi yapmaktır. Ele alınan problem literatürde bir ilk olduğundan, öncelikle problemi matematiksel olarak ifade etmek için genel bir optimizasyon modeli önerilmiştir. Toplam maliyet minimizasyonunu amaçlayan bu problemin karmaşıklık açısından NP-tam olması nedeniyle, çözümü için genetik algoritma (GA) tabanlı çözüm algoritmaları geliştirilmiştir. Üç farklı taktik seviye politika (Rassal-R, Tam zamanında – JIT, Ekonomik Demontaj Miktarı – EDQ) ile iki farklı çaprazlama operatörü (CR1, CR2) üzerinden geliştirilen bu altı farklı algoritmanın çözüm kalitesini arttırmak için tavlama benzetimi (TB) tabanlı yerel arama algoritmasından yararlanılmıştır. Problemi daha detaylı analiz etmek ve taktiksel açıdan dikkate değer içgörüler elde etmek için farklı boyuttaki test problemleri üzerinde karşılaştırmalı analizler yapılmıştır. Elde edilen sonuçlara göre, GACR1-JIT algoritması, EDQ ve R politikalarına dayalı olarak geliştirilen diğer algoritmalara kıyasla toplam maliyette önemli bir düşüş sağlamaktadır. Ayrıca, JIT tabanlı parti büyüklüğü politikasının uygulanmasının önemi, özellikle dönem sayısı arttıkça daha da belirgin hale gelmektedir.