دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات57
تعداد شماره‌ها1,934
تعداد مقالات15,385
تعداد مشاهده مقاله36,411,986
تعداد دریافت فایل اصل مقاله21,918,573
فقیهی, پیام, کازرونی, مهرداد. (1402). توسعه متدولوژی کنترل تولید چندعاملی یکپارچه با ERP. سامانه مدیریت نشریات علمی, 12(46), 259-296. doi: 10.22054/ims.2023.73405.2319
پیام فقیهی; مهرداد کازرونی. "توسعه متدولوژی کنترل تولید چندعاملی یکپارچه با ERP". سامانه مدیریت نشریات علمی, 12, 46, 1402, 259-296. doi: 10.22054/ims.2023.73405.2319
فقیهی, پیام, کازرونی, مهرداد. (1402). 'توسعه متدولوژی کنترل تولید چندعاملی یکپارچه با ERP', سامانه مدیریت نشریات علمی, 12(46), pp. 259-296. doi: 10.22054/ims.2023.73405.2319
فقیهی, پیام, کازرونی, مهرداد. توسعه متدولوژی کنترل تولید چندعاملی یکپارچه با ERP. سامانه مدیریت نشریات علمی, 1402; 12(46): 259-296. doi: 10.22054/ims.2023.73405.2319

توسعه متدولوژی کنترل تولید چندعاملی یکپارچه با ERP

مطالعات مدیریت کسب و کار هوشمند
مقاله 8، دوره 12، شماره 46، آبان 1402، صفحه 259-296    اصل مقاله (2.06 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/ims.2023.73405.2319
نویسندگان
پیام فقیهی1؛ مهرداد کازرونی* 2
1دانشجوی دکتری مهندسی مکانیک دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
2استادیار، گروه مهندسی مکانیک، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی،تهران، ایران نویسنده مسئول: kazerooni@ kntu.ac.ir
چکیده
تسریع در چابکی سیستم‌های کنترل تولید در محیط تولید پویا امروزی یکی از چالش‌هایی است که برای سرعت بخشیدن به آن تحقیقات زیادی با استفاده از سیستم‌های چندعاملی انجام شده است. مدل‌های فعلی این سیستم‌ها کاستی‌هایی نظیر پیش‌بینی‌پذیری محدود، قابلیت اطمینان پایین در تصمیم‌گیری، قابلیت محدود فهم‌پذیری وضعیت موجود سیستم و کنترل محدود و بطور کلی وجود سیستم‌های مستعد خطا در طراحی و پیاده‌سازی دارند. به منظور حل این مشکلات، پژوهش حاضر متدولوژی جدیدی برای کنترل تولید چندعاملی مبتنی ‌بر ادغام با چند ماژول در قلب ERP ارائه می‌کند که قابلیت‌های سیستم در مواجهه با کاستی‌های فوق را بهبود می‌بخشد. روش تحقیق به کار گرفته شده در این مطالعه کیفی، با تمرکز بر ماهیت داده‌ها، و توسعه ای-کاربردی، با هدف افزایش ادغام سیستم‌های کنترل تولید چند عاملی با ERP است. هدف بهبود جریان تولید مواد و کیفیت محصولات و نیمه‌ساخته‌ها در خط تولید با در نظر گرفتن پارامترهایی است که بر آنها تأثیر می‌گذارد. دستاورد کلیدی این تحقیق، توسعه یک متدولوژی کنترل تولید قابل اعتماد است که شامل سه جزء می‌باشد: چارچوب تبادل داده، ابزارها و پیاده‌سازی. این مؤلفه‌ها از سیستم‌های اطلاعاتی ERP موجود مشتق شده‌اند که از نظر عملکردی بالغ هستند و با تمرکز بر نگهداری، اصلاح و عملکرد بر اساس تجارب برتر طراحی شده‌اند و هدف آن به حداقل رساندن خطاها است. متدولوژی توسعه یافته، راه‌حلی در دسترس و چابک برای ارتقا کنترل تولید با استفاده از سیستم ERP ارائه می‌دهد که هزینه پیاده‌سازی آن کمتر از پیاده‌سازی سیستم ERP تجاری به همراه یک سیستم چندعاملی مجزا است.
کلیدواژه‌ها
کنترل تولید؛ چندعاملی؛ برنامه‌ریزی منابع سازمان؛ یکپارچه‌سازی؛ چابک‌
مراجع
  1. Abunadi, I. (2019). Enterprise architecture best practices in large corporations. Information, 10(10), 293.
  2. Alassery, F. (2022). Predictive maintenance for cyber physical systems using neural network based on deep soft sensor and industrial internet of things. Computers and Electrical Engineering, 101, 108062.
  3. Badjonski, M., Ivanović, M., & Budimac, Z. (1999). Agent oriented programming language LASS. Object-Oriented Technology and Computing Systems Re-Engineering, 111.
  4. Balaji, P. G., & Srinivasan, D. (2010). An introduction to multi-agent systems. Innovations in Multi-Agent Systems and Applications-1, 1–27.
  5. Bär, S. (2022). Integration into a Flexible Manufacturing System. In Generic Multi-Agent Reinforcement Learning Approach for Flexible Job-Shop Scheduling (pp. 117–133). Springer.
  6. Barenji, A. V., & Li, Z. (2019). AN AGENT-BASED APPROACH TO DYNAMIC SCHEDULING AND CONTROL FOR A FLEXIBLE SYSTEM. International Journal of Industrial Engineering, 26(3).
  7. Bartsch, D., & Winkler, H. (2022). Smart order as a new instrument for production control. Hamburg International Conference of Logistics (HICL) 2022, 149–175.
  8. Bono, F. M., Radicioni, L., Cinquemani, S., Conese, C., & Tarabini, M. (2022). Development of soft sensors based on neural networks for detection of anomaly working condition in automated machinery. NDE 4.0, Predictive Maintenance, and Communication and Energy Systems in a Globally Networked World, 12049, 56–70.
  9. Brecher, C., & Weck, M. (2022). Production Control Technology. In Machine Tools Production Systems 3 (pp. 605–638). Springer.
  10. Chen, H., & Huang, B. (2022). Fault-tolerant Soft Sensors for Dynamic Systems.
  11. De Brabander, B., Van Looy, A., & Viaene, S. (2022). Toward Digital ERP: A Literature Review. International Conference on Research Challenges in Information Science, 685–693.
  12. De la Prieta, F., Rodríguez-González, S., Chamoso, P., Corchado, J. M., & Bajo, J. (2019). Survey of agent-based cloud computing applications. Future Generation Computer Systems, 100, 223–236.
  13. Faghihi, P., & Kazerooni, M. (2023). Multi-Agent Enterprise Resource Planning Production Control (MAERPPC) Methodology Based on Personnel Health Monitoring. Scientia Iranica.
  14. Febrianto, T., & Soediantono, D. (2022). Enterprise Resource Planning (ERP) and Implementation Suggestion to the Defense Industry: A Literature Review. Journal of Industrial Engineering & Management Research, 3(3), 1–16.
  15. Frazzon, E. M., Kück, M., & Freitag, M. (2018). Data-driven production control for complex and dynamic manufacturing systems. CIRP Annals, 67(1), 515–518.
  16. Groß, S., Gerke, W., Plapper, P., & Vette-Steinkamp, M. (2021). Agile and Autonomous Production Control for Remanufacturing. 2021 9th International Conference on Control, Mechatronics and Automation (ICCMA), 231–236.
  17. Huang, Q. (2022). Intelligent manufacturing. In Understanding China’s Manufacturing Industry (pp. 111–127). Springer.
  18. Humayun, M., Jhanjhi, N. Z., Almotilag, A., & Almufareh, M. F. (2022). Agent-based medical health monitoring system. Sensors, 22(8), 2820.
  19. Karrer, C. (2012). Engineering production control strategies: A guide to tailor strategies that unite the merits of push and pull. Springer Science & Business Media.
  20. Kim, Y. G., Lee, S., Son, J., Bae, H., & Do Chung, B. (2020). Multi-agent system and reinforcement learning approach for distributed intelligence in a flexible smart manufacturing system. Journal of Manufacturing Systems, 57, 440–450.
  21. Klos, S., Patalas-Maliszewska, J., & Tront, D. (2022). A Model for the Intelligent Supervision of Production for Industry 4.0. Journal of Physics: Conference Series, 2198(1), 12005.
  22. Kumar, K., & van Hillegersberg, J. (2000). Enterprise resource planning: introduction. Communications of the ACM, 43(4), 22–26.
  23. Lillis, D. J. (2013). Internalising interaction protocols as first-class programming elements in multi agent systems. University College Dublin (Ireland).
  24. Lin, H.-Y., Hsu, P.-Y., & Ting, P.-H. (2006). ERP systems success: An integration of IS success model and balanced scorecard. Journal of Research and Practice in Information Technology, 38(3), 215–228.
  25. Mesbahi, N., Kazar, O., Zoubeidi, M., & Benharzallah, S. (2014). An agent-based modeling for an enterprise resource planning (ERP). In Studies in Computational Intelligence (Vol. 551, pp. 225–234). Springer. https://doi.org/10.1007/978-3-319-05503-9_22
  26. Namiot, D., Sukhomlin, V., & Shargalin, S. (2016). On Software Agents in ERP Systems. International Journal of Open Information Technologies, 4(6), 49–54.
  27. Oborski, P. (2014). Developments in integration of advanced monitoring systems. The International Journal of Advanced Manufacturing Technology, 75(9), 1613–1632.
  28. Oluyisola, O. E., Bhalla, S., Sgarbossa, F., & Strandhagen, J. O. (2022). Designing and developing smart production planning and control systems in the industry 4.0 era: a methodology and case study. Journal of Intelligent Manufacturing, 33(1), 311–332.
  29. Oroojlooy, A., & Hajinezhad, D. (2022). A review of cooperative multi-agent deep reinforcement learning. Applied Intelligence, 1–46.
  30. Pal, C.-V., Leon, F., Paprzycki, M., & Ganzha, M. (2020). A review of platforms for the development of agent systems. ArXiv Preprint ArXiv:2007.08961.
  31. Palanca, J., Rincon, J., Julian, V., Carrascosa, C., & Terrasa, A. (2022). Developing IoT Artifacts in a MAS Platform. Electronics, 11(4), 655.
  32. Papazoglou, M. P. (2001). Agent-oriented technology in support of e-business. Communications of the ACM, 44(4), 71–77.
  33. Pulikottil, T., Estrada-Jimenez, L. A., Rehman, H. U., Barata, J., Nikghadam-Hojjati, S., & Zarzycki, L. (2021). Multi-agent based manufacturing: current trends and challenges. 2021 26th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA), 1–7.
  34. Redjimi, K., & Redjimi, M. (2022). A Multi-Agent System for Industrial Simulators Design. In Advances in Deep Learning, Artificial Intelligence and Robotics (pp. 129–140). Springer.
  35. Ricardo Rodríguez, A. R., Benítez, I. F., González Yero, G., & Núñez Alvarez, J. R. (2022). Multi-agent system for steel manufacturing process. International Journal of Electrical and Computer Engineering (IJECE), 12(3), 2441–2453.
  36. Russell, S., & Norvig, P. (1995). Artificial intelligence: A modern approach prentice-hall. Englewood Cliffs.
  37. Samigulina, G. A., Nyusupov, A. T., & Shayakhmetova, A. S. (2018). Analytical review of software for multi-agent systems and their applications. News of the National Academyof Sciences of the Republic of Kazakhstan, Series of Geology and Technical Sciences.-3 (429), 173–181.
  38. Satybaldiyeva, A., Ismailova, A., Moldasheva, R., Mukhanova, A., & Kadirkulov, K. (2021). ABSTRACT DATA TYPES FOR KNOWLEDGE REPRESENTATION AND SPECIFICATION OF MULTI-AGENT SYSTEMS. Известия НАН РК. Серия Физика и Информационные Технологии., 2, 48–55.
  39. Scharf, F., Widmann, A., Bonmassar, C., & Wetzel, N. (2022). A tutorial on the use of temporal principal component analysis in developmental ERP research–Opportunities and challenges. Developmental Cognitive Neuroscience, 101072.
  40. Schuh, G., Gützlaff, A., Fulterer, J., & Hermann, A. (2022). Building Digital Shadows for Production Control. IFIP International Conference on Advances in Production Management Systems, 110–117.
  41. Senaya, S. K., van der Poll, J. A., & Schoeman, M. (2022). Towards a Framework to Address Enterprise Resource Planning (ERP) Challenges. Proceedings of Sixth International Congress on Information and Communication Technology, 57–71.
  42. Setiawan, A., Silitonga, R. Y. H., Angela, D., & Sitepu, H. I. (2020). The Sensor Network for Multi-agent System Approach in Smart Factory of Industry 4.0. International Journal of Automotive and Mechanical Engineering, 17(4), 8255–8264.
  43. Sravan Medicherla, S., & Archana, M. (2022). Study on the erp implementation methodologies on sap, oracle netsuite, and microsoft dynamics 365: A review. ArXiv E-Prints, arXiv-2205.
  44. Sukhavasi, S. B., Sukhavasi, S. B., Elleithy, K., Abuzneid, S., & Elleithy, A. (2021). Human body-related disease diagnosis systems using cmos image sensors: A systematic review. In Sensors (Vol. 21, Issue 6). https://doi.org/10.3390/s21062098
  45. Tanajura, A. P. M., Oliveira, V. L. C., & Lepikson, H. (2015). A Multi-agent Approach for Production Management. In Industrial Engineering, Management Science and Applications 2015 (pp. 65–75). Springer.
  46. Vatankhah Barenji, A., & Vatankhah Barenji, R. (2017). Improving multi-agent manufacturing control system by indirect communication based on ant agents. Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, 231(6), 447–458.
  47. Vogel-Heuser, B., Seitz, M., Salazar, L. A. C., Gehlhoff, F., Dogan, A., & Fay, A. (2020). Multi-agent systems to enable Industry 4.0. At-Automatisierungstechnik, 68(6), 445–458.
  48. Wan, G., Dong, X., Dong, Q., He, Y., & Zeng, P. (2022). Design and implementation of agent-based robotic system for agile manufacturing: A case study of ARIAC 2021. Robotics and Computer-Integrated Manufacturing, 77, 102349.
  49. Wang, L.-C., & Lin, S.-K. (2009). A multi-agent based agile manufacturing planning and control system. Computers & Industrial Engineering, 57(2), 620–640.
  50. Zdravković, M., Panetto, H., & Weichhart, G. (2022). AI-enabled enterprise information systems for manufacturing. Enterprise Information Systems, 16(4), 668–720
آمار
تعداد مشاهده مقاله: 233
تعداد دریافت فایل اصل مقاله: 127


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب
login