ارائه چارچوب یادگیری نظارت شده عمیق برای پیش بینی سریع زمان تکمیل کل در زمان بندی کارگاه منعطف سلولی با درنظرگرفتن زمان های آماده سازی وابسته به خانواده و زمان حمل: مطالعه موردی بر مجموعه داده برندی مارته

پژوهش حاضر یک چارچوب یادگیری نظارت شده عمیق برای پیش بینی سریع زمان تکمیل کل در محیط زمان بندی کارگاه منعطف سلولی با درنظرگرفتن زمان های آماده سازی وابسته به خانواده و زمان های حمل ارائه می کند. برای ارزیابی، از مسائل معیار برندی مارته استفاده شده و داده ها به دو سطح گزینه های عملیات–ماشین و سطح اینستنس تبدیل می شوند تا آموزش مدل های سبک نظارت شده و همچنین مدل های عمیق امکان پذیر گردد. برچسب زمان تکمیل کل با اجرای یک روش زمان بندی ساده، یکسان و قابل بازتولید محاسبه می شود که محدودیت های تقدم وتاخر، حمل بین/درون سلولی و اثر آماده سازی وابسته به خانواده را به صورت صریح لحاظ می کند. نتایج تجربی نشان می دهد مدل عمیق پیشنهادی نسبت به روش های مبنا (از جمله رگرسیون منظم سازی شده و مدل های درختی) دقت بالاتری ارائه داده و قادر است تعاملات غیرخطی میان اندازه مسئله، زمان های پردازش، ساختار سازگاری عملیات–ماشین و عوامل لجستیکی/آماده سازی را بهتر یاد بگیرد. بر این اساس، پیش بینی نظارت شده عمیق می تواند به عنوان ابزار پشتیبان تصمیم برای ارزیابی سریع سناریوهای زمان بندی، غربال گری راهکارها و افزایش چابکی تصمیم گیری در سامانه های تولید هوشمند به کار گرفته شود.

کلیدواژه ها:

زمان بندی کارگاه منعطف سلولی ، پیش بینی زمان تکمیل کل ، یادگیری نظارت شده عمیق ، زمان آماده سازی وابسته به خانواده ، زمان حمل ، مسائل معیار برندی مارته ، مهندسی ویژگی ، پشتیبانی تصمیم.