Geliştirilmiş NSGA-II algoritmasına dayalı gemi saç işleme atölyesinin zamanlama optimizasyonu üzerine araştırma

Neden tersaneler daha akıllı programlara ihtiyaç duyuyor

Modern tersaneler, işaretlenmesi, kesilmesi ve doğru sırayla taşınması gereken binlerce ağır çelik sacla uğraşıyor. Küçük bir aksaklık — kırılan bir kesme makinesi ya da acil bir sipariş gibi — atölye genelinde dalgalanmalara yol açarak enerji israfına, bazı makinelerin aşırı çalışmasına ve teslim tarihlerinin tehlikeye girmesine neden olabilir. Bu makale, böyle bir aksaklık meydana geldiğinde gemi sacı işleme atölyesindeki işleri otomatik olarak yeniden düzenlemenin yeni bir yolunu sunuyor; üretimi hızlı, güvenilir ve verimli tutmak için rafine edilmiş bir evrimsel algoritma kullanıyor.

İşler ters gittiğinde üretimi sabit tutmak

Gemi yapımı, dur-kalklu karmaşık bir üretim türüdür. Saclar boyut ve şekil bakımından değişir ve farklı makineler iş yükünü paylaşır. Bugün, beklenmeyen bir şey olduğunda birçok tersane hâlâ deneyimli personelin plana elle müdahale etmesine dayanıyor. Bu zaman alıyor ve genellikle dengesiz makine kullanımı ile daha yüksek maliyetlere yol açıyor. Yazarlar şu önemli soruya odaklanıyor: atölye zemininde makine arızaları, yeniden iş veya geç gelen malzemeler gibi olaylar olduğunda, bilgisayar nasıl çabucak yeni bir plan üretebilir; böylece teslim tarihine uyulur, enerji kullanımı düşük tutulur ve tek bir makine aşırı yüklenmez?

Atölyeyi dijital bir ikize dönüştürmek

Bunu ele almak için araştırmacılar önce gemi sacı atölyesini ayrıntılı bir dijital modele dönüştürüyor. Mühendislik yazılımı kullanarak makinelerin ve malzeme akışlarının üç boyutlu düzenini oluşturuyor ve kesme tabloları, vinçler ve diğer ekipmanlardan gerçek zamanlı bilgi toplayan bir Nesnelerin İnterneti (IoT) veri platformuyla bağlıyorlar. Bu, atölyenin bir tür dijital ikizini yaratıyor: zeminde olup biteni yansıtan sanal bir ortam. Üretim verileri bir zamanlama sistemine akıyor; bu sistem optimizasyon algoritmalarıyla ilk çalışma planını öneriyor. Bu plan daha sonra teslim tarihlerini karşılayıp makineleri makul şekilde kullanıp kullanmadığını kontrol etmek için simülasyonda test ediliyor ve ardından gerçek atölyeyi kontrol etmek üzere geri gönderiliyor.

Zaman, maliyet ve makine iş yükünü dengelemek

Çalışmanın özünü, sacların atölye içindeki hareketinin matematiksel tanımı oluşturuyor. Her sac farklı makinelerde bir dizi adımdan geçer ve plan; işlem sırasına, her makinenin kapasitesine ve verilen teslim süresine uymalıdır. Yazarlar aynı anda üç hedef tanımlıyor: toplam bitiş süresini kısaltmak, işleme ve bekleme sırasında kullanılan toplam enerjiyi azaltmak ve makinelerin uzun süreler boyunca ya boş kalmasını ya da aşırı yüklenmesini önlemek. Bu tür çok amaçlı bir problemin tek bir mükemmel yanıtı yoktur. Bunun yerine, örneğin biraz daha erken bitirmek fakat daha yüksek enerji maliyeti gibi ödünlerin bir kümesini üretir. Algoritmanın amacı bu ödünleri haritalandırmaktır; böylece planlayıcılar önceliklerine en uygun zamanlamayı seçebilir.

Uzman gibi uyum sağlayacak bir algoritma eğitmek

Olası zamanlamalar denizindeki geniş alanı aramak için yazarlar popüler bir evrimsel yöntemi olan NSGA‑II üzerinde iyileştirmeler yapıyor; bu yöntem aday planlardan oluşan bir popülasyonu birçok nesil boyunca evrimleştirir. Geleneksel versiyonlar, planların karıştırılma ve rastgele değiştirilme sıklığı için sabit ayarlar kullanır ve en iyi planları basit bir şekilde korur. Bu, aramanın çok erken 'sıkışmasına' neden olabilir. Burada karıştırma ve mutasyon olasılıkları arama ilerledikçe otomatik olarak uyum sağlar; başlangıçta geniş keşfi teşvik ederken daha sonra daha dikkatli rafine etmeyi destekler. Aynı zamanda, benzetilmiş tavlama esinli yeni bir 'seçkin seçim' kuralı her nesilden kaç tane en iyi planın saklanacağını kontrol eder. Bu, umut vadeden zamanlamalar arasında çeşitliliği korumaya yardımcı olarak algoritmanın alt‑optimal bir çözüme çok çabuk yakınsamamasını sağlar.

Yöntemi testlerde ve gerçek bir tersanede kanıtlama

İyileştirilmiş yaklaşım iki şekilde test ediliyor. Önce, araştırmacılar tarafından yaygın olarak kullanılan standart zamanlama kıyas setlerinde çalıştırılıyor. Bu testlerin çoğunda, orijinal NSGA‑II ve daha yeni bir varyant olan NSGA‑III ile karşılaştırıldığında daha çeşitli ve daha yüksek kaliteli ödün‑çözümler buluyor. İkinci olarak, ekip bunu bir tersanedeki 16 sac ve yedi makineyi içeren gerçek bir üretim siparişine uyguluyor ve ardından gerçekçi aksaklıklar ekliyor: acil yeniden iş görevleri ve büyük bir makine arızası. Her durumda sistem önce etkilenen görevlerin basit bir sağa kaydırılmasını dener; bu teslim tarihini kaçıracaksa, iyileştirilmiş algoritmayı kullanarak tam yeniden zamanlamayı tetikler. Geleneksel stratejilerle karşılaştırıldığında, yeni yöntem daha kısa bitiş süreleri, daha düşük veya benzer enerji kullanımı ve daha iyi dengelenmiş makine iş yükleri sunuyor; üstelik pratik kullanım için yeterince hızlı planlar hesaplıyor.

Gemi yapımı için bunun anlamı

Uzman olmayanlar için temel mesaj şudur: gemi sacı atölyeleri artık sürprizlere daha otomatik ve güvenilir bir şekilde yanıt verebilir. Fabrikadan gelen canlı veri akışını, gerçekçi bir dijital modeli ve daha akıllı bir evrimsel algoritmayı birleştirerek yöntem, manuel müdahaleye daha az ihtiyaç duyarak üretimi plana uygun tutar. Uzun vadede bu tür dinamik zamanlama, tersanelerin gecikmeleri azaltmasına, enerjiyi tasarruf etmesine ve pahalı ekipmanı daha iyi kullanmasına yardımcı olabilir — daha zeki ve dayanıklı bir imalata doğru somut bir adım.

Atıf: Dong, L., Liu, J., Gu, S. et al. Research on scheduling optimization of ship plate processing workshop based on improved NSGA-II algorithm. Sci Rep 16, 5549 (2026). https://doi.org/10.1038/s41598-026-35278-y

Anahtar kelimeler: tersane, üretim zamanlaması, genetik algoritma, akıllı imalat, dinamik optimizasyon