Analysis and evaluation of grouping methods for effective cutting tool operation

• Autorzy: Dobrzyński M. , Przybylski W.

Warianty tytułu

PL

Analiza i ocena metod grupowania dla efektywnego użytkowania narzędzi skrawających

• Języki publikacji: EN

Abstrakty

EN

This article presents the possibilities for using cluster analysis in the assignment of machine tools in automated manufacturing systems. Based on the similarity of manufacturing processes in the system, cutting tools have been grouped. The objective was to obtain groups of similar objects, which could potentially ensure the reduction of the frequency and time of setups, optimizing the maintenance of tool resources and improving the efficiency and quality of production. With the application of similarity coefficients and hierarchical clustering algorithms, tool sets were formed with their composition specified. The assumed key factor was the limited tool magazine capacity for the machine tool. Therefore, it was necessary to separate the group with the largest multiplicity, not exceeding the assumed tool magazine capacity, from each group. The final part of the study includes an evaluation of the obtained solutions with selected measures used.

PL

W niniejszym artykule przedstawiono możliwości zastosowania analizy skupień w przydziale narzędzi do obrabiarek w zautomatyzowanych systemach wytwarzania. Bazując na podobieństwie używanych w systemie procesów wytwórczych grupowaniu, poddano narzędzia obróbkowe. Celem było uzyskanie grup obiektów podobnych, które potencjalnie zapewnić mogły zmniejszenie liczby i czasu przezbrojeń, lepsze wykorzystanie zasobu narzędziowego oraz poprawę efektywności i jakości produkcji. Z wykorzystaniem współczynników podobieństwa i hierarchicznych algorytmów grupowania stworzono zestawy narzędziowe i określono ich skład. Jako czynnik kluczowy przyjęto ograniczoną pojemność magazynu narzędziowego obrabiarki. Koniecznym stało się zatem wyodrębnienie z każdej możliwej liczby grup grupy o największej liczności, która nie przekraczała założonej pojemności magazynu narzędziowego. W ostatniej części opracowania przeprowadzono ocenę uzyskanych rozwiązań z wykorzystaniem wybranych miar.

Słowa kluczowe

EN

similarity coefficient; clustering; tool flow control

PL

współczynniki podobieństwa; grupowanie; sterowanie przepływem narzędzi

• Wydawca: Wydawnictwo Naukowe Instytutu Technologii Eksploatacji - Państwowego Instytutu Badawczego
• Czasopismo: Journal of Machine Construction and Maintenance - Problemy Eksploatacji
• Rocznik: 2018
• Tom: no. 1
• Strony: 53--61
• Opis fizyczny: Bibliogr. 13 poz., rys., tab.

Twórcy

autor

Dobrzyński M.

• Gdansk University of Technology, Poland, Department of Manufacturing and Production Engineering

autor

Przybylski W.

• Gdansk University of Technology, Poland, Department of Manufacturing and Production Engineering

Bibliografia

• 1. Akturk, M.S., Turkcan, A. 2000. Cellular manufacturing system design using a holonistic approach. International Journal of Production Research, 38(10): 2327–2347. http://dx.doi.org/10.1080/00207540050028124.
• 2. Amoako-Gyampah, K., Meredith, J.R., and Raturi A. 1992. A comparison of tool management strategies and part selection rules for a flexible manufacturing system. International Journal of Production Research, 30(4): 733-748. http://dx.doi.org/10.1080/00207543.1992.9728453.
• 3. Boe, W.J., and Cheng, C.H. 1991. A close neighbour algorithm for designing cellular manufacturing systems. International Journal of Production Research, 29 (10): 2097-2116. http://dx.doi.org/10.1080/00207549108948069.
• 4. Chan, H.M., and Milner, D.A. 1982. Direct Clustering Algorithm for Group Formation in Cellular Manufacture. Journal of Manufacturing Systems, 1(1): 65-75. https://doi.org/10.1016/S0278-6125(82)80068-X.
• 5. Chandrasekharan, M.P., and Rajagopalan, R. 1986. An ideal seed non-hierarchical clustering algorithm for cellular manufacturing. International Journal of Production Research, 24(2): 451-463. http://dx.doi.org/10.1080/00207548608919741.
• 6. Crama, Y. 1997. Combinatorial optimization models for production scheduling in automated manufacturing systems. European Journal of Operational Research, 99(1): 136-153. https://doi.org/10.1016/S0377-2217(96)00388-8.
• 7. Halkidi, M., Batistakis, Y., and Vazirgiannis, M. 2001. On Clustering Validation Techniques. Journal of Intelligent Information Systems, 17(2-3): 107-145. doi:10.1023/A:1012801612483.
• 8. Han, J., Kamber M., and Pei J. 2012. Data Mining. Concepts and Techniques. Third Edition. Morgan Kaufmann Publishers.
• 9. Kusiak, A, Cho, M. 1992. Similarity coefficient algorithms for solving the group technology problem. International Journal of Production Research, 30(11): 2633-22646. http://dx.doi.org/10.1080/00207549208948181.
• 10. Seifoddini, H. 1989. A note on the similarity coefficient method and the problem of improper machine assignment in group technology applications. International Journal of Production Research, 27 (7): 1161-1165. http://dx.doi.org/10.1080/00207548908942614.
• 11. Tang, C.S., Denardo, E.V. 1988. Models Arising from a Flexible Manufacturing Machine, Part I: Minimization of the Number of Tool Switches. Operations Research, 36(5): 767-784. https://doi.org/10.1287/opre.36.5.767.
• 12. Wemmerlov, U., and Johnson, D.J. 1997. Cellular manufacturing at 46 user plants: Implementation experiences and performance improvements. International Journal of Production Research, 35(1): 29-49. http://dx.doi.org/10.1080/002075497195966.
• 13. Wemmerlov, U., and Johnson, D.J. 2000. Empirical findings on manufacturing cell design. International Journal of Production Research, 38(3): 481-507. http://dx.doi.org/10.1080/002075400189275.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).