BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,603,804
  • Công bố khoa học và công nghệ Việt Nam

50

Tự động hóa (CAD/CAM, v.v..) và các hệ thống điều khiển, giám sát, công nghệ điều khiển số bằng máy tính (CNC), …

BB

Nguyễn Thị Phương Quyên, Lê Vy

Ứng dụng phương pháp phân cụm k-means để xác định điểm tắc nghẽn trong sản xuất

An application of k-means clustering method to identify bottlenecks in manufacturing process

Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng

2025

3

44-49

1859-1531

Điểm tắc nghẽn, Học máy, Phân cụm k-means, Hệ thống sản xuất

Bottlenecks, Machine learning, K-means clustering, Manufacturing system

Những tiến bộ trong kỹ thuật học máy (ML) đã mang đến những cơ hội mới hỗ trợ các nhà quản lý sản xuất ra quyết định thông qua việc phân tích hệ thống sản xuất. Tìm ra các điểm nghẽn trên dây chuyền sản xuất là vấn đề quan trọng đối với các nhà quản lý vì tắt nghẽn sẽ làm giảm năng suất của hệ thống, tăng chi phí sản xuất và giảm hiệu suất tổng thể của cả chuyền sản xuất. Nghiên cứu này áp dụng phương pháp phân cụm dữ liệu k-means, một trong những phương pháp phân cụm phổ biến của ML, để phát hiện những điểm tắc nghẽn trong sản xuất. Phương pháp bắt đầu bằng cách xác định thời gian trạng thái hoạt động tại mỗi máy/công đoạn trên dây chuyền sản xuất. Phân cụm k-means được sử dụng để phân loại các công đoạn thành các nhóm khác nhau, trong đó mỗi nhóm có đặc tính máy tương tự nhau. Từ đó, tiến hành phân tích dữ liệu được phân nhóm dựa trên chuỗi thời gian đại diện cho mỗi nhóm để phát hiện các điểm nghẽn trong sản xuất.

Advances in machine learning (ML) techniques have provided new opportunities for manufacturing managers to support their decision-making through the analysis of manufacturing systems. Detecting bottlenecks on the production line is an important issue for manufacturing managers because bottlenecks reduce the productivity of the system. In addition, detecting bottlenecks in the manufacturing system also reduces costs and improves the overall efficiency of the entire production line. This study applies k-means clustering, one of the popular clustering methods of ML, to detect bottlenecks on production lines. The proposed method begins by identifying the operating state time at each machine/process on the production line. k-means clustering is used to classify the processes into different groups in which each group has similar machine characteristics. The analysis of clustered data based on its representative time series is conducted to detect bottlenecks.

TTKHCNQG, CVv 465

Xem toàn văn