英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
新的一种工作测定方法及其在制造业中的应用
摘要
确定标准时间的困难重重证明开发出能直接测量程序的替代方法是有必要的。比较和预测，标准数据和公式以及预定动作时间标准系统等间接比较的方法在时间测量过程中有些不足之处。在这项研究中，新的一种间接的简单而廉价的基于人工神经网络（ANN）的工作测量方法被展示出来。对于所提出的方法的应用，具有相似的生产过程的产品从一个制造公司的整个产品系列中选出。先前测定的采样产品的标准时间被使用,剩余的产品和半成品用提出的方法进行预测。模型结果表明，该方法可以准确地应用于生产类似产品的公司。
关键词
人工神经网络；工作测定；工时定额研究
- 引言
目前，为了更有效地竞争，企业对自身生产的产品的标准时间的测定有着极大的需求。一个企业当其时间估计不在标准工时基础上展开，准备生产计划和方案，短期和长期预测，成本控制，定价以及其他技术和管理活动就不可能是一致和有效的。另一方面，尽管有许多缩合反应研究，显然，没有一种成本合算的方法或工具可以测定标准时间。可以说，上述现实是时间研究应用的核心难点。
工时定额研究（TS）记录在指定条件下预先确定工作的过程时间和水平。收集的数据要进行分析，并用来确定在一个明确的速度进程下完成一项工作所需要的时间。不幸的是，工时定额研究成本效率低下，并且只能适用于某些特定条件下。此外，它是根据人的经验进行的。
在确定标准时间时遇到的问题造成除了像TS等直接测量工作方法以外其他替代工作测量方法的需要。这些替代方法被分类为间接测量方法，命名为比较预测法（CPM），标准数据公式法（SDF）和预定动作时间系统法（MTM）（2003尼伯尔和弗赖瓦尔兹，）。很明显，间接的工作测量方法不能用于所有公司来衡量每一个产品或半成品的标准时间。
在最近的一些研究中计算标准时间的工作测定方法被运用。·可玲和拉姆齐（1996）研究了开发和应用一种工作测量方法的多媒体效果。科恩，bidand和比约（1998）成功审核通过了自动语音识别（ASR）进入工业系统的整合。而且通过利用自动语音识别，工作分析师可以得出更可靠的时间估计，减少70%手动作业时间。弗赖瓦尔兹，Konz，yurgec，和Goldberg（2000）测试了工作测量的效并且设计了顾客对未来工程师采用美国工业工程的100个项目满意度的系统。在工业应用中，Fuente，Puente，和Parrentilde;o（2006）使用这些算法在柔性制造中进行动态调度，Akyol（2000）使用它们进行启发式调度。
人工神经网络（ANNs）已被公认为是一个快速灵活的建模，分析和设计工具。这些并行计算模型由密集互连的自适应处理单元组成，（Hassoun，1995）。学习能力，并行处理能力，自组织能力，适应能力，实时操作和容错性能使人工神经网络非常适合于多方面应用，如函数逼近，优化，控制，聚类，预测，非线性系统建模等。在这项研究中，另一种间接的工作测量方法基于ANNs被提出来。该方法是用来专门开发某个公司的，多层感知器（MLP）网络架构被应用。尽管其有限的复杂性，它是最被广泛使用的人工神经网络体系结构之一，原因是它众所周知的逼近能力。影响不同的过程时间的因素被确定，标准在这些因素基础上使用MLP人工神经网络被估计。在过去的十年里，关于MLP ANN的研究被特别说明有化学（baawain et al.，2007；查亚和solomatine，2006；chetouani，2008），能源和电力系统（Mori amp; yuihara，2001），医药（张，2007），农业（mandavgane，Pandharipande，和Subramanian，2007），水文（Ochoa Rivera et al.，2007；王等人，2006），成像（拉希行乐，与Hansch，2006），测量（danisman，Dalkiran，和雪拉比，2006）和半导体激光领域（雪拉比，2005年；雪拉比，2005b；雪拉比，2006）。
本文第二部分检验提出的MLP神经网络模型，第三部分描述这个模型的准确度，准确度是通过比较结果得出。第四部分总结了研究结果和结论。
2人工神经网络与人工神经网络模型
人工神经网络是用来模拟人脑处理信息的方式的生物启发式的计算机程序。人工神经网络通过检测数据中的模式和关系，并通过经验学习（或培训）来获得他们的知识，而不是通过编程。神经计算的能量来自于网络中的权值连接。每个神经元都有加权输入，传递函数和一个输出。神经网络的行为取决于它的神经元的传递函数，学习规则，和其架构本身。人工神经网络的应用可以分为分类、模式识别、预测和建模（Charniak和德莫特，1985；Ham和Kostanic，2002；schalko，1997）。在文献中，有各种不同类型的的神经网络用以各种不同的应用。径向基函数网络和多层感知器网络是前馈网络的例子，而且它们都有泛逼近性。尽管在几个重要方面的网络不同，这两个神经网络却能够准确地模仿对方。
多层感知器（李普曼，1989；Rumelhart等人，1986）用于本研究，它是最简单和最常见的被使用的人工神经网络结构.这被展示在图1。正如图1所展示的那样,一种机器语言程序由三层组成：一个输入层，输出层和一个或多个具有先前明确神经元数量的隐藏层。输入层神经元作为缓冲层只输入信号到隐藏层中的神经元。每个神经元的隐藏层在权衡他们的来自输入层的连接强度wji后汇总输入信号xi,,并计算输出yj，作为总和的函数f即：
yj=f(sum;wjixi)
其中f是在人工神经网络体系结构中使用的激活函数之一。权重通过尝试最小化期望和实际产出之间的平方和之差来进行优化，即：
E=1/2sum;(Ydjminus;Yj)2
在这里Ydj是系统输出量的期望值, Yj是该神经元的实际输出。
图1多层感知器的一般形态
文献中提供了许多学习算法(Ham and Kostanic, 2002 ; Lippmann, 1989). 下面提到的学习算法在其他用于分析使用的学习算法给出了最好的结果。弗莱彻–李维斯（CGF）算法是一个二阶方法，它限制每个步骤方向来与所有先前的步骤方向共轭。此限制简化了计算因为它不再需要存储或计算Hessian或其倒数。( Hagan, Demuth, amp; Beale, 1996). broydon–fletcher–goldfarb–shanno（BFG）算法被认为是拟牛顿法的最佳形式。它使用一个采自Hessian的拟牛顿法更正的更新公式。( Dennis amp; Schnabel, 1983). Levenberg–Marquardt (LM)代表着牛顿法的简化版本应用到MLP神经网络训练的问题。此外，它是一个行之有效的具有二次收敛速度的数值优化技术( Ham amp; Kostanic, 2002)。
在这项研究中，我们开发出了可以通过MLP神经网络估计标准时间的另一种方法（埃拉斯兰，2009）。人工神经网络方法的基础是在学习过去的数据的情况下，研究机器估计。机器在此估计期间不使用确定的统计方法。它通过对当前数据和文档的学习来解决了相关事件的未知问题。它犹如人类学习方法，完成学习系统。它预测时间，同时了解影响是这些因素的结果的生产和时间的定性和定量因素之间的真实关系。定性因素已经满足这个词。相反，定量因素在预定义的数值尺度的基础上表达出来。
该建议方法可以用于轻易地推导企业的标准时间。由于成本低，时间短，精度高的好处，许多公司可以预测标准时间通过MLP人工神经网络方法。因为结果是令人满意的规划生产，所以没有必要用复杂的方法(Eraslan, 2009)。所提出的方法的步骤可以表示为：
- 首先，生产系统，生产大量的成品，应选择类似的制造工艺。（或者，这项研究可应用于生产系统中的半成品）。
- 影响生产时间的因素必须确定。这些因素是那些可能影响时间和生产系统的因素。当因素是由公司的实际生产系统决定的，预期的结果可以更准确的估计过程。除此之外，有必要量化的表达这些因素。除了定量因素，如长度，重量或面积等，也有定性因素不能测量。这些因素可以使用利克特量表来用数值表示。例如，如果在生产中使用油漆材料，2分配给受到时间因素的影响，否则1分配给未上漆材料的影响，即，生产时间不受未上漆的材料影响。如上所述所有这些因素都可以数字化。
- 接下来一些这些产品的生产时间应该用TS来测量。影响时间的因素需要明确定义和数字化表示。如有需要，可与工人面谈，以便介绍不同的因素。该过程结束后，人工神经网络过程中所需的数据将已获得，确定的因素是输入，生产时间将是系统的输出。
- 最后一步，所提出的网络通过改变网络变量来进行训练和测试。如果最终的网络能够估计的时间在期望误差带中，同样的网络可以被用来估计成品、半产品或新产品等那些以前用TS不能测量的产品。
3制造型企业的应用
企业经理们请求帮助，他们在生产过程中决定产品或半成品的标准时间有困难。TS应用程序需要很长的时间，还需要高成本。另一方面，TS在测量过程中受到环境条件极大的影响。我们提出的的人工神经网络模型建议在类似的过程中预测标准时间。激活上述人工神经网络的最重要的步骤是影响因素的确定。在确定因素时，需要考虑一些事实。这些影响生产时间的因素具有测量的方便性，并且不影响时间的线性，即，它不知道它是如何影响时间或是否它是唯一一个影响时间的。
影响因素可分为两种，第一，影响产品规格的因素，第二，其他基于生产方法（工作流程）的因素。这意味着，一些因素是基于产品或半成品规格，其他一些因素是基于生产的方法。
我们提出的工作测量方法应用于土耳其最大的重型卡车和公共汽车制造公司。许多钢件在公司焊接。许多不同尺寸和材料的产品的制造工艺是彼此相似的。在本研究中，根据该地区的管理人员和专家组有五个可能的因素影响生产时间。这些因素列在下面：
件数：产品由不同数量的钢构件组合而成。准备时间可以被可视化为从相关的货架的组件，并根据他们的模式搜索他们。影响准备时间最重要的因素是要焊接的组件的数量。
焊接操作的数量：焊接是在产品上进行的基本过程。完成这些焊接任务所需的时间取决于该产品的焊接操作数。首先，有人认为，元件数量和焊接操作的数目之间存在关系。不幸的是，研究表明，这些因素之间没有完全相关性。因此，决定单独调查这一重要因素。
产品的表面积系数（宽度和长度组成）：产品的不同尺寸表明，这个因素可以影响时间。在这方面，产品的体积没有考虑到，因为深度因素直接影响人体工程学的研究。它是更好考察体积因子作为影响时间的个体因素。可以看出，表面积因素影响的工人的数量，工人数量影响产品可达维限。在前两个标准，使用直接设计级的数值确定的系数。第4号是用于产品的表面积超过15平方米，3为10 - 15平方米，2为5 - 10平方米，最后1为5平方米。
难度/工作环境因素：这个因素，包括深度因素，涉及的人机工程学的图案位置，产品的复杂性和产品设计所造成的焊接问题的影响。此因子分为3类，每个产品输入的值为1，2和3。根据产品类型，可以方便地确定产品的难度等级。由于大量屈伸，这些数值差异表现如下，3天花板和侧墙站通风和大格局的问题，2组合（底盘、前壁、后壁）部分，窄的地方，紧凑的模式，相对于人体工程学的产品不适合，1较低的底盘部件更容易发生。
金属成形过程数：焊接操作因热成形而产生应力/应变。这对所有产品都是有效的。相对于结构形式，某些产品的容许变形限度可以超过。如果发生这种情况，金属成形应用到该产品，以恢复物理尺寸。此操作被称为整流，也需要时间。在这方面，根据板材成形的存在对产品进行分类，并将1个和0个值分配给工件。
相关产品的标准时间将由这5个因素来确定。在这项研究中，TS被应用到71个产品。其中55个用于训练MLP人工神经网络，其余的16个（随机选择）用于测试是否该模型能产生正确的结果。经过多次试验与不同的学习算法和不同的网络配置，以获得更好的性能与简单的结构，据观察，使用CGF算法最合适的网络配置5times;5times;2times;1。这意味着输入的数量是5，输出的数量是1。神经元的数目是5是第一隐层，第二隐层为2。输入输出层具有线性激活函数，隐层具有双曲正切乙状结肠激活函数。训练的历元数为300。在训练前，输入和输出数据元组归一化0和1之间，以确保学习性能，因为正规化是一个重要的步骤，以改善训练过程中的ANNs。在完成5个输入参数的训练过程后，对一个输出参数进行测试过程，该输出参数是工作的标准时间。基于MLP人工神经网络的CAD模型，以找到标准的时间如图2所示。所确定的输入因子被用于预测输出，也就是标准时间。
图2先进的CAD模型
表1总结了测试输入结果与实际值的比较。所需的误差水平对应于用来训练输入网络的输出和输出的真实值之间的差异。如表1所示，所开发的模型可以产生非常准确的结果相对于实际值。实际值和网络输出之间的最大差异是6.81分钟。由于差异不会影响规划活动，这些结果可以用于规划。很显然，当TS的成本被考虑在内，结果是非常有用的。此外，增加预先确定的标准时间的数目，这种差异可以被还原。
表1网络输出与真实值的比较
|
No. |
Measured values |
Generated values by CGF |
Absolute difference |
Generated values by BFG |
Absolute difference |
Generated values by L 剩余内容已隐藏，支付完成后下载完整资料 资料编号：[141818]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
|---|
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
