Sistem perkiraan throughput produksi

Sistem perkiraan throughput produksi dalam operasi pengujian hard disk drive otomatis menggunakan GRNN Baru-baru ini, sistem manufaktur hard disk drive (HDD) menjadi lebih kompleks karena semua produsen telah menerapkan peralatan otomatis sepenuhnya atau sebagian di sebagian besar area produksi. Area paling rumit dalam sistem manufaktur HDD adalah operasi pengujian otomatis, yang mencakup proses pemeriksaan kualitas akhir untuk lebih dari 20 jalur pengujian. Setiap jalur pengujian terdiri dari lebih dari 10 mesin pengujian otomatis, masing-masing berisi lebih dari 2.000 slot untuk menguji drive disk individual. Semua mesin pengujian dapat menguji hard drive yang berbeda secara bersamaan menggunakan kriteria pengujian khusus untuk setiap produk, yang mencakup lebih dari 200 kategori. Mempertimbangkan kompleksitas ini, pengembangan sistem pemantauan dan pengendalian untuk operasi ini sangat sulit dan menantang untuk penelitian akademis. Selain masalah kompleksitas, volume produksi dari setiap operasi pengujian otomatis secara langsung mempengaruhi kemampuan untuk mengirimkan produk sesuai jadwal. Umumnya, waktu pengiriman dijadwalkan dengan memperkirakan hasil produksi dari operasi pengujian otomatis HDD, yang didasarkan pada estimasi deterministik atau diturunkan dari nilai rata-rata parameter produksi. Banyak parameter dicirikan sebagai nilai acak, termasuk waktu pengujian yang diperlukan, yang bervariasi sesuai dengan kapasitas dan kualitas HDD individu. Selain itu, pemuatan campuran dengan berbagai jenis konfigurasi HDD yang ada dalam satu jalur pengujian otomatis merupakan penyebab utama peristiwa kemacetan di dalam mesin pengujian otomatis. Dengan kompleksitas yang melekat dalam operasi pengujian otomatis dan ketidakpastian harian dalam lingkungan manufaktur HDD, sulit untuk memperkirakan atau memperkirakan throughput mesin pengujian otomatis menggunakan metode tradisional atau bahkan metode analisis lanjutan (Sukthomya & Tannock, 2005; Azizi, Ali & Ping, 2012). Akibatnya, estimasi throughput produksi untuk sistem manufaktur yang sangat kompleks telah menjadi isu penting. Beberapa model peramalan telah dikembangkan untuk memprediksi atau memperkirakan indeks kinerja produksi yang berbeda (Stoop & Bertrand, 1997; Huang, 1999; Sivakumar & Chong, 2001; Shanthikumar, Ding & Zhang,2007; Hillberg, Sengupta & Til, 2009; Pradhan & Damodaran, 2009). Hanya beberapa model peramalan yang telah dikembangkan untuk memprediksi throughput produksi, dan tidak satu pun dari model ini yang membahas prakiraan throughput produksi dalam manufaktur HDD. Bagian dari makalah yang ditinjau berkaitan dengan prediksi indeks kinerja produksi lainnya, seperti tingkat hasil, waktu siklus, waktu aliran, efektivitas peralatan secara keseluruhan, waktu produksi, dan waktu penyelesaian. Sistem peramalan untuk throughput produksi telah diuji untuk sistem produksi kecil menggunakan metode perkiraan dan rumus analitis (Baker & Powell, 1995; Popova & Wilson, 2000; Blumenfeld & Li, 2005). Namun, sistem produksi saat ini telah menjadi lebih besar dan lebih rumit dengan pemanfaatan bersama sumber daya dan berbagai ketidakpastian. Akibatnya, penggunaan rumus analitis dan metode perkiraan menjadi sulit, dan pendekatan ini tidak memadai untuk menghasilkan perkiraan yang akurat. Perkinson, McLarty, Gyurcsik dan Cavin (1994), Sivakumar dan Chong (2001), Backus, Janakiram, Mowzoon, Runger dan Bhargava (2006), Shanthikumar dkk. (2007), Azizi, Ali, Ping dan Mohammadzadeh (2011) dan Azizi, Ali, Ping dan Mohammadzadeh (2012) juga telah mempelajari model peramalan lainnya seperti model simulasi, model antrian, regresi, metode Bayesian, datamining, dan model jaringan saraf. Kerugian utama dari model ini adalah konsumsi sumber daya, terutama dalam proses pengumpulan data sebelum model dibangun, dan dalam waktu komputasi, yang mungkin memerlukan beberapa jam untuk dijalankan, bahkan pada komputer yang kuat. Masalah lainnya adalah sulitnya memodifikasi model ketika kondisi dan asumsi sistem yang sebenarnya diubah. Meskipun model ini dapat digunakan sebagai model prediksi untuk menangani hubungan linier dan nonlinier, proses pengembangannya agak sulit dan tidak praktis untuk masalah penelitian saat ini. .Selain itu, akurasi model prediksi ini hanya cocok dengan kumpulan data yang ditentukan. Dengan demikian, pendekatan ini menghasilkan overfitting dan ketidakmampuan untuk menggeneralisasi untuk kumpulan data input lainnya (Huang, 1999). Selanjutnya, waktu perhitungan model peramalan juga penting dan harus fokus pada penelitian saat ini. (Sun, Lang, Wang & Liu, 2014) Model peramalan sebelumnya juga hanya dapat memberikan presisi untuk kumpulan data yang digunakan selama pengembangan model. Sayangnya, model ini tidak praktis untuk mengelola produksi riil karena perubahan cepat dalam data produksi dan variabel lain di lini manufaktur saat ini, seperti yang disebutkan sebelumnya. Oleh karena itu, tidak layak untuk menggunakan model peramalan historis ini karena tidak satupun dari mereka yang mampu menghasilkan presisi yang dibutuhkan. dalam kisaran yang dapat diterima dari waktu ke waktu. Selain itu, pengembangan model peramalan baru mungkin memerlukan banyak waktu dan mungkin tidak menghasilkan hasil yang diperkirakan untuk proses pengambilan keputusan pada waktunya untuk menyesuaikan rencana produksi dalam menanggapi perubahan. (Van Til, Hillberg & Sengupta, 2003; Chien, Hsiao, Meng, Hong & Wang, 2005; Li, Fang, Liu & Juang, 2012; Chien, Hsu & Hsiao, 2012) Dalam karya ini, throughput produksi didefinisikan sebagai jumlah HDD diuji per jam. Hasil produksi dari operasi pengujian di lini manufaktur HDD secara langsung memengaruhi pengiriman tepat waktu. Produksi throughput juga mengukur kapasitas produksi setiap produk dan merupakan indeks paling penting untuk mengendalikan dan memantau operasi lantai toko di manufaktur HDD, seperti yang disebutkan sebelumnya. Oleh karena itu, artikel ini mengusulkan sistem peramalan untuk throughput produksi dalam operasi uji manufaktur HDD otomatis yang dapat secara praktis dilaksanakan. Sistem peramalan yang diusulkan meliputi tiga tahap utama: tahap pemilihan variabel input, tahap konstruksi model peramalan, dan tahap peningkatan akurasi peramalan. Sistem yang diusulkan akan memperkirakan throughput produksi menggunakan data lantai toko historis yang diambil dari server database aktual dari pabrik manufaktur HDD.