Abstract:
İnternet, dünyanın geleceğine yön vermeye başlamış, hayatımızda olmazsa olmaz araçlardan biri haline gelmiştir. Her geçen yıl içerik, kapasite ve erişilebilirlik bakımından hızla büyümektedir. Nesnelerin İnternetinin (IoT-Internet of Things) yaygınlaşmasıyla süreçlerin her seviyesinde veri toplanması ve bu verilere bağlı hızlı karar ve denetim çıkışları oluşturulması mümkün olmuştur. Endüstri alanında kullanıldığında elde edilecek verilerin analizi ile üretim planlaması optimize edilerek ciddi boyutlarda zaman, kaynak ve enerji tasarrufu sağlanabilmektedir. Endüstri 4.0 ya da 4. Sanayi Devrimi, nesnelerin interneti gibi ileri teknolojilerin endüstriye entegrasyonu ile gerçekleşmiştir. Endüstri 4.0 ileri haberleşme teknolojilerini ve otomasyon sistemlerini kullanarak üretimin daha verimli gerçekleşmesini hedeflemektedir. Endüstride yaygın olarak ortaya çıkan atölye tipi çizelgeleme (EATÇ) problemleri bilgisayar işlem kapasitelerinin artmasıyla sezgisel yöntemler kullanılarak çözülmekte ve başlangıçta belirlenen sabit parametreler üzerinden gerçekleştirilmektedir. Gerçek hayatta ise makinelerin bozulması veya kaynakların yetişmemesi gibi ek problemler oluşabilmektedir. Bu çalışmada, EATÇ ve Dinamik EATÇ problemleri için geliştirmiş olan algoritmalar incelenerek, DEATÇ problemlerinde kullanılabilecek Parçacık Sürü Optimizasyonu (PSO) ve Yerel Arama (YA) metotlarının kullanıldığı hibrit bir algoritma önerilmiş ve yapılan benzetimlerde klasik çizelgeleme yöntemleriyle karşılaştırmalar yapılmıştır. Tezin en temel amacı Çizelgeleme Problemlerinde Endüstri 4.0 uygulamasını gerçekleştirmek ve literatüre katkı sağlamaktır. Bu amaçla üretimde kullanılacak olan makineler veya üretim bantlarının IoT ağına dâhil edilerek anlık durum verilerinin alınması, analiz edilmesi, esnek atölye tipi çizelgelemenin oluşturulması ve denetim bilgilerinin iletilmesini sağlayacak donanım ve yazılım alt yapısı tasarlanmıştır. Önermiş olduğumuz metot, literatürde yer alan bazı veri setleri üzerinde denenmiş ve ilk elde edilen çizelgeme sonucuyla, yeniden yapılan çizelgeleme sonucu arasındaki yüzde sapma değerleri hesaplanmıştır. Sonuçlar incelendiğinde veri setlerinin bir kısmında yüzde sapma %0, diğerlerinde ise maksimum %9.09 olduğu gözlemlenmiştir. Bu değerler önemiş olduğumuz metodun pratikte uygulanabilir olduğunu göstermiştir.
