بهبود توان عملیاتی با استفاده از هوش مصنوعی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 256

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ABMIR-1-1_012

تاریخ نمایه سازی: 1 بهمن 1401

چکیده مقاله:

شناسایی و حذف گلوگاه های توان عملیاتی، ابزاری کلیدی برای افزایش توان عملیاتی و بهره وری در سیستم های تولید است. با این حال، به دلیل پیچیدگی و پویای کارخانه، حذف گلوگاه های توان عملیاتی یک چالش بزرگ تلقی می شود. پژوهشگران سعی کرده اند ابزارهایی را برای کمک به شناسایی و حذف این گلوگاه ها توسعه دهند. از لحاظ تاریخی، تلاش های تحقیقاتی بر توسعه رویکردهای مدل سازی برای شناسایی گلوگاه ها در سیستم های تولید متمرکز شده اند. با این حال، با ظهور دیجیتالی سازی صنعتی و هوش مصنوعی، محققان راه های مختلفی را بررسی کردند که در آن ها می توان از هوش مصنوعی برای از بین بردن گلوگاه ها استفاده نمود. در این پژوهش نقش هوش مصنوعی در شناسایی و حذف گلوگاه ها بیان شده و تلاشهای صورت گرفته در زمینه گلوگاه های توان عملیاتی به چهار دسته (۱) شناسایی، (۲) تشخیص، (۳) پیش بینی و (۴) تجویز طبقه بندی می شوند. همچنین توصیه های عملی و جهت گیری پژوهش های آینده ارائه شده است که می تواند به بهبود استفاده عملی و نظری هوش مصنوعی در صنایع کمک نماید.

کلیدواژه ها:

گلوگاه های توان عملیاتی ، هوش مصنوعی ، سیستم های تولیدی

نویسندگان

سید رضا سید نژاد فهیم

استادیار گروه حسابداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

فاطمه غلامی گلسفید

استادیار، گروه ریاضی، واحد رودسر-املش، دانشگاه آزاد اسلامی، رودسر، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Subramaniyan, M., Skoogh, A., Bokrantz, J., Sheikh, M. A., Thürer, ...
  • Li, L. (۲۰۱۸). A systematic-theoretic analysis of data-driven throughput bottleneck ...
  • Zhao, S., Blaabjerg, F., & Wang, H. (۲۰۲۰). An overview ...
  • Nagrani, A., Yang, S., Arnab, A., Jansen, A., Schmid, C., ...
  • Zhang, C., & Lu, Y. (۲۰۲۱). Study on artificial intelligence: ...
  • Chowdhury, M., & Sadek, A. W. (۲۰۱۲). Advantages and limitations ...
  • نمایش کامل مراجع