자기 조직 신경망을 이용한 대체공정이 있는 셀 생산방식에서 기계-부품 그룹형성

Abstract

셀 생산방식에서 일반적 GT(GGT: generalized GT) 문제란 각 부품에 수 개의 대체공정이 있는 0-1 기계-부품공정 행렬을 사용하여 기계-부품 그룹을 형성하는 문제이다. 본 논문에서는 셀 개수와 기계그룹의 기계수 상한 및 하한의 제약이 있는 GGT 문제를 자기 조직 신경망(SOM: self-organizing maps) 알고리즘을 이용하여 기계-부품 그룹을 형성하는 해법을 제안한다. SOM은 Kohonen이 제시한 경쟁학습 모형으로 주어진 정보를 유사한 입력의 집합으로 분류하는 기능을 가지고 있기 때문에 음성 인식, 문자 인식 등 다양한 문제에 적용한다. 본 연구의 해법은 먼저 기계그룹을 형성하고 각 부품을 특정 기계그룹에 배정한다. 기계그룹은 SOM을 이용하여 형성하는데 학습시킬 때 입력노드로 공정을 모두 사용한다. 각 대체공정의 기계그룹 이용률을 구하여 그중에서 가장 낮은 최대 기계그룹 이용률을 갖는 공정을 제거하고 남은 공정을 이용하여 다시 SOM을 학습시킨다. 위의 과정을 부품별로 한 공정이 남을 때까지 반복한다. 다음 단계에서 각 부품을 기계그룹의 이용률에 따라 기계그룹별로 배정하여 기계-부품 그룹을 형성한다. 본 연구에서는 예외요소의 개수와 그룹화 효율을 사용하여 제안하는 해법과 기계수 상한과 하한을 고려할 수 있는 기존해법과 비교한다. 기존의 문제 11개에 대해서 제안하는 알고리즘은 5개의 문제에서 효율적인 그룹을 형성하였다.|In cellular manufacturing systems, Generalized GT problem means to form machine-part group by using machine-part incidence matrix having alternative processes to each part. In this paper, we suggested a algorithm to form machine-part group by using Self-Organizing Maps(SOM) to Generalized GT problem which has restraints on the number of cell and the number of maximum and minimum machine in group. SOM has a function classifying given information with similar inputting group as a competitive learning model that Kohonen suggested. It can be adapted upon various problems such as voice recognition and character recognition and so on. This algorithm forms machine cell ahead and allocates each parts to the machine cell. SOM uses all process as input nodes when learning. As finding out machine cell utilization of each alternative process, amongst them after eliminating process gaining the lowest machine cell utilization and SOM is learned again by using the rest of the process. The process above by part should be repeated until one process remains. At the next step, it forms machine-part group by allocating part using machine cell utilization. This paper compares a proposed algorithm the number of exceptional element and grouping efficacy with a previous one to consider the number of maximum and minimum machine. In 5 problems, algorithm to offer upon previous 11 problems formed an efficient group.; In cellular manufacturing systems, Generalized GT problem means to form machine-part group by using machine-part incidence matrix having alternative processes to each part. In this paper, we suggested a algorithm to form machine-part group by using Self-Organizing Maps(SOM) to Generalized GT problem which has restraints on the number of cell and the number of maximum and minimum machine in group. SOM has a function classifying given information with similar inputting group as a competitive learning model that Kohonen suggested. It can be adapted upon various problems such as voice recognition and character recognition and so on. This algorithm forms machine cell ahead and allocates each parts to the machine cell. SOM uses all process as input nodes when learning. As finding out machine cell utilization of each alternative process, amongst them after eliminating process gaining the lowest machine cell utilization and SOM is learned again by using the rest of the process. The process above by part should be repeated until one process remains. At the next step, it forms machine-part group by allocating part using machine cell utilization. This paper compares a proposed algorithm the number of exceptional element and grouping efficacy with a previous one to consider the number of maximum and minimum machine. In 5 problems, algorithm to offer upon previous 11 problems formed an efficient group.