supply chain management of manufacturing processes
using machine learning technique
Marcel ILIE, Augustin semenescu
DOI 10.56082/annalsarscieng.2024.1.38
Rezumat. Extinderea rețelei de
procese de producție necesită algoritmi care să permită o
mai bună planificare și optimizare a proceselor de producție.
Prin urmare, n ultimii ani, evoluțiile din cadrul
nvățării automate (ML) și ale inteligenței
artificiale (AI) au condus la o nouă terminologie, așa-numita
Industrie 4.0. Cea mai rapidă creștere a Industriei 4.0 a fost
nt lnită n producție, lanț de aprovizionare, servicii și
produse. nvățarea automată este predispusă să
permită dezvoltarea lanțurilor de aprovizionare și a proceselor
de producție inteligente. Prezenta cercetare se referă la adecvarea
și eficiența algoritmului de nvățare automată pentru
lanțul de aprovizionare mbunătățit n procesele de
producție. Rezultatele arată că algoritmul de nvățare
automată permite și mbunătățește eficiența
proceselor de fabricație prin gruparea mașinilor-unelte și
creșterea numărului de componente fabricate n aceeași
locație a sculei.
Abstract. The expansion of the manufacturing processes network
requires algorithms that can enable better planning and optimization of the
manufacturing processes. Therefore, in the recent years the developments within
the machine-learning (ML) and artificial intelligence (AI) have led to a new
terminology, the so-called Industry 4.0. The fastest growth of Industry 4.0 has
been encountered in the manufacturing, supply chain, services and products. The
machine learning is prone to enable the development of smart supply-chains and
manufacturing processes. The present research concerns the suitability and
efficiency of the machine learning algorithm for the enhanced supply chain in
manufacturing processes. The results show that the machine learning algorithm enables
and enhances the efficiency of the manufacturing processes by clustering the
machine-tools and increasing the number of manufactured components at the same
tool location.
Keywords:
supply chain management,
manufacturing process, machine learning, probability, neural networks, Bayesian
statistics
Abstract
Article
Volume 16 No 1 2024