نویسندگان
1
استادیار گروه حسابداری، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران
2
استادیار، گروه ریاضی، واحد رودسر-املش، دانشگاه آزاد اسلامی، رودسر، ایران
,
نوع مقاله : مقاله پژوهشی
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.
- 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.
)