سامانه مدیریت نشریات علمی دانشگاه یزد

سید نژاد فهیم, سید رضا, غلامی گلسفید, فاطمه. (1401). بهبود توان عملیاتی با استفاده از هوش مصنوعی. کاوش‌نامه زبان و ادبیات فارسی, 1(1), 129-144. doi: 10.22034/abmir.2023.19151.1017
سید رضا سید نژاد فهیم; فاطمه غلامی گلسفید. "بهبود توان عملیاتی با استفاده از هوش مصنوعی". کاوش‌نامه زبان و ادبیات فارسی, 1, 1, 1401, 129-144. doi: 10.22034/abmir.2023.19151.1017
سید نژاد فهیم, سید رضا, غلامی گلسفید, فاطمه. (1401). 'بهبود توان عملیاتی با استفاده از هوش مصنوعی', کاوش‌نامه زبان و ادبیات فارسی, 1(1), pp. 129-144. doi: 10.22034/abmir.2023.19151.1017
سید نژاد فهیم, سید رضا, غلامی گلسفید, فاطمه. بهبود توان عملیاتی با استفاده از هوش مصنوعی. کاوش‌نامه زبان و ادبیات فارسی, 1401; 1(1): 129-144. doi: 10.22034/abmir.2023.19151.1017

بهبود توان عملیاتی با استفاده از هوش مصنوعی

پژوهش های نظری و کاربردی هوش ماشینی
مقاله 13، دوره 1، شماره 1، فروردین 1402، صفحه 129-144    اصل مقاله (603.49 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/abmir.2023.19151.1017
نویسندگان
سید رضا سید نژاد فهیم* 1؛ فاطمه غلامی گلسفید2
1استادیار گروه حسابداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
2استادیار، گروه ریاضی، واحد رودسر-املش، دانشگاه آزاد اسلامی، رودسر، ایران
چکیده
شناسایی و حذف گلوگاه‌های توان عملیاتی، ابزاری کلیدی برای افزایش توان عملیاتی و بهره‌وری در سیستم‌های تولید است. با این حال، به دلیل پیچیدگی و پویای کارخانه، حذف گلوگاه‌های توان عملیاتی یک چالش بزرگ تلقی می‌شود. پژوهشگران سعی کرده‌اند ابزارهایی را برای کمک به شناسایی و حذف این گلوگاه‌ها توسعه دهند. از لحاظ تاریخی، تلاش‌های تحقیقاتی بر توسعه رویکردهای مدل‌سازی برای شناسایی گلوگاه‌ها در سیستم‌های تولید متمرکز شده‌اند. با این حال، با ظهور دیجیتالی‌سازی صنعتی و هوش مصنوعی، محققان راه‌های مختلفی را بررسی کردند که در آن‌ها می‌توان از هوش مصنوعی برای از بین بردن گلوگاه‌ها استفاده نمود. در این پژوهش نقش هوش مصنوعی در شناسایی و حذف گلوگاه‌ها بیان شده و تلاشهای صورت گرفته در زمینه گلوگاه‌های توان عملیاتی به چهار دسته (1) شناسایی، (2) تشخیص، (3) پیش‌بینی و (4) تجویز طبقه‌بندی می‌شوند. همچنین توصیه‌های عملی و جهت‌گیری پژوهش‌های آینده ارائه شده است که می‌تواند به بهبود استفاده عملی و نظری هوش مصنوعی در صنایع کمک نماید.
کلیدواژه‌ها
گلوگاه‌های توان عملیاتی؛ هوش مصنوعی؛ سیستم‌های تولیدی
عنوان مقاله [English]
Improving Throughput Using Artificial Intelligence
نویسندگان [English]
seyed reza seyed nezhad fahim1؛ Fatemeh Gholami gelsefid2
1Assistant Professor, Department of Accounting, Lahijan Branch, Islamic Azad University, Lahijan, Iran; Email Address;
2Assistant Professor, Department of Mathematics, Rudsar-Amlash Branch, Islamic Azad University, Rudsar, Iran
چکیده [English]
Identifying and eliminating throughput bottlenecks is a key tool to increase throughput and productivity in production systems. However, due to the complexity and dynamics of factory, eliminating throughput bottlenecks is considered a major challenge. Researchers have tried to develop tools to help identify and eliminate these bottlenecks. Historically, research efforts have focused on developing modeling approaches to identify bottlenecks in manufacturing systems. However, with the advent of industrial digitization and artificial intelligence, researchers have explored various ways in which artificial intelligence can be used to eliminate bottlenecks. In this research, the role of artificial intelligence in identifying and eliminating bottlenecks is stated and the efforts made in the field of operational throughput bottlenecks are classified into four categories: (1) identify, (2) diagnose, (3) predict and (4) prescribe. Also, practical recommendations and future research topics have been provided, which can help to improve the practi c a l a n d t h e o r e t i c a l u s e o f a r t i f i c i a l i n t e l l i g e n c e i n i n d u s t r i e s .
کلیدواژه‌ها [English]
Throughput Bottlenecks, Artificial Intelligence, Manufacturing Systems
مراجع
  • Subramaniyan, M., Skoogh, A., Bokrantz, J., Sheikh, M. A., Thürer, M., & Chang, Q. (2021). Artificial intelligence for throughput bottleneck analysis–State-of-the-art and future directions. Journal of Manufacturing Systems, 60, 734-751.
  • Li, L. (2018). A systematic-theoretic analysis of data-driven throughput bottleneck detection of production systems. Journal of manufacturing systems, 47, 43-52. ‌
  • Ucar, H. (2012). Throughput analysis and bottleneck management of production lines. Wayne State University.
  • Zhao, S., Blaabjerg, F., & Wang, H. (2020). An overview of artificial intelligence applications for power electronics. IEEE Transactions on Power Electronics, 36(4), 4633-4658. ‌
  • Lai, X., Shui, H., Ding, D., & Ni, J. (2021). Data-driven dynamic bottleneck detection in complex manufacturing systems. Journal of Manufacturing Systems, 60, 662-675.
  • Nagrani, A., Yang, S., Arnab, A., Jansen, A., Schmid, C., & Sun, C. (2021). Attention bottlenecks for multimodal fusion. Advances in Neural Information Processing Systems, 34, 14200-14213. ‌
  • Subramaniyan, M., Skoogh, A., Muhammad, A. S., Bokrantz, J., & Bekar, E. T. (2019). A prognostic algorithm to prescribe improvement measures on throughput bottlenecks. Journal of Manufacturing Systems, 53, 271-281.
  • Zhang, C., & Lu, Y. (2021). Study on artificial intelligence: The state of the art and future prospects. Journal of Industrial Information Integration, 23, 98-114.
  • Chowdhury, M., & Sadek, A. W. (2012). Advantages and limitations of artificial intelligence. Artificial intelligence applications to critical transportation issues, 6(3), 360-375. ‌
  • Arinez, J. F., Chang, Q., Gao, R. X., Xu, C., & Zhang, J. (2020). Artificial intelligence in advanced manufacturing: Current status and future outlook. Journal of Manufacturing Science and Engineering, 142(11), 67-85.

 

 

 

 

 

آمار
تعداد مشاهده مقاله: 651
تعداد دریافت فایل اصل مقاله: 703