طراحی مدلی برای ارزیابی عملکرد سیستم های تولید انعطاف پذیر در خطوط تولید بلوک سیلندر خودرو
محورهای موضوعی : تحقیق در عملیاتمرتضی آذرباد 1 , اکبر عالم تبریز 2 , فرهاد حسین زاده لطفی 3 , محسن رستمی مال خلیفه 4
1 - گروه مهندسی صنایع، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
3 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
4 - گروه ریاضی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
کلید واژه: Flexible manufacturing System, Data Envelopment Analysis, Performance evaluation, Delphi method, Best-Worst method,
چکیده مقاله :
در عصر اطلاعات و بدلیل پیچیدگی محیطی، بسیاری از سازمانها، شرکتها، نهادها و صنایع با چالشهای بسیاری برای بهبود وضعیت و ارتقاء عملکرد خود مواجه هستند. بسیاری از واحدهای تولیدی و به خصوص تولیدکنندگان قطعات خودرو به منظور رقابت، با چالشهای کاهش هزینه، جلوگیری از اتلاف زمان، پاسخگویی شایسته به مشتریان و بهبود کیفیت روبرو می باشند. برای پاسخ مناسب به این چالشها بسیاری از تولیدکنندگان از سیستمی تحت عنوان سیستم تولید انعطاف پذیر استفاده می کنند. این سیستم تولیدی از طریق گروهی از ماشین آلات با کارگاههای کاری انعطاف پذیر و به منظور تولید قطعات متنوع طراحی می شوند که هدف آن کاهش زمان سفارش تا تحویل کالا، افزایش محصول نهایی، ارتقاء سطح بهره وری ماشین آلات، بهبود در توانایی تحویل کالا، کاهش سطح موجودی، کاهش کار در جریان تولید و افزایش کیفیت می باشد. در این تحقیق با مطالعه مبانی علمی و صنعتی، شاخصهای جامعی که بر روی عملکرد سیستم تولید انعطاف پذیر تاثیرگذار هستند از طریق نظریه داده بنیاد جمع آوری شده است و با توجه به فراوانی شاخصها از روش دلفی جهت غربالسازی و شناسایی شاخصهای مؤثر بهره برده شده است. در ادامه به منظور ارزیابی عملکرد واحدهای تولیدکننده بلوک سیلندر خودرو تیبا از روش ریاضی تحلیل پوششی داده های توسعه یافته استفاده و به منظور اولویت بندی واحدهای کارا از تکنیک بهترین و بدترین استفاده شده است. نتایج نشان می دهد سرمایه گذاری مناسب به منظور تامین ماشین آلات و تجهیزات پیشرفته و همچنین یکپارچگی بین تجهیزات موجب کاراشدن سیستمهای تولید انعطاف پذیر خواهد بود.
With the advent of technology in informatic era and due to environmental intricacy, many organizations, companies, institutions and industries encounter many challenges to improve their status-quo and enhance their performance. In order to maintain competition, many manufacturing units, particularly auto parts manufacturers, deal with the conflicts of reducing costs, evading waste of time, being aptly accountable towards customers and improving quality. To resolve these shortcomings, many manufacturers apply a system called Flexible Manufacturing System. This production system is mainly designed by a group of machines with flexible workshops to produce various parts with the objectives of diminishing the time from order to delivery of goods, increasing the number of the final product, rising the efficiency of machines, developing the ability to deliver goods, reducing the level of inventory, lessening the work in process and increasing quality. In the current research, through surveying the scientific and industrial foundations, comprehensive indicators that affect the performance of the flexible manufacturing system collected and thanks to the frequency of indicators and the direction of screening via the Delphi Method, effective indicators are identified and subsequently in order to evaluate the performance of generating units in Tiba car cylinder block, the mathematical method of Developed Data Envelopment Analysis is utilized and the Best-Worst Method is applied for prioritizing the efficient units .The findings illustrate appropriate investment, utilization of advanced machinery and equipment and integration between equipment as well would make flexible production systems more efficient.
[1]آذرباد، مرتضی. حسین¬زاده لطفی، فرهاد. (1396). شاخص بهره¬وری مالمکوئیست در شبکه و کاربرد آن برای محاسبه پیشرفت و پسرفت پژوهش دانشکده¬ها در یک دانشگاه. فصلنامه مدیریت بهره¬وری، 11(42)، 115-147.
[2]توکلی گلپایگانی، مریم. عالم¬تبریز، اکبر. امیری، مقصود. موتمنی علیرضا. (1394). طراحی و تبیین مدل ارزیابی عملکرد با رویکرد تلفیقی تحلیل پوششی داده¬ها، تحلیل عاملی و اوزان مشترک (مطالعه موردی: صنعت بیمه). فصلنامه چشم¬انداز مدیریت صنعتی، 5(17)، 45-76.
[3]جهانشاهلو، غلامرضا. حسین¬زاده لطفی، فرهاد. نیکومرام، هاشم. (1387). تحلیل پوششی داده¬ها و کاربردهای آن. انتشارات آثار نفیس.
[4]مهدوری، کاوه. (1397(. سیستم¬های تولید انعطاف¬پذیر. انتشارات ساپکو.
[5]میلتن برگ، جان. (1388). مدیریت راهبردی صنعتی. انتشارات مرکز تحقیق و توسعه علوم انسانی.
[6]Bagheri, M., Ebrahimnezhad, A., Razavyan, S., Hosseinzadeh Lotfi, F. & Malekmohammadi,N. (2020). Fuzzy Arithmetic Dea Approach For Fuzzy Multi-Objective Transportation Problem. Journal Of Operational Research, Https:// Link.Springer.Com/Article/10.1007/S12351-020-00592-4.
[7]Bayazit, Ozden. (2004). Use Of Ahp In Decision-Making For Flexible Manufacturing Systems. Journal Of Manufacturing Technology Management, 808-819.
[8]Ebrahimi, Bohlool., Dellnitz, Andreas., Kleine, Andreas. & Tavana, Madjid. (2021). A Novel Method For Solving Data Envelopment Analysis Problems With Weak Ordinal Data Using Robust Measures. Expert Systems With Applications, 164 (2021) 113835.
[9]Ebrahimi, Bohlool & Rahmani, Morteza. (2017). An Improved Approach To Find And Rank Bcc-Efficient Dmus In Data Envelopment Analysis (Dea). Journal Of Industrial And Systems Engineering, 25-34.
[10]Eguía, Ignacio., Villa, Gabriel. & Lozano, Sebastián. (2017, June). Efficiency Assessment Of Reconfigurable Manufacturing Systems. 27th International Conference On Flexible Automation And Intelligent Manufacturing, Faim2017, 27-30 June 2017, Modena, Italy [3] Do Tan Si, The Fourier Transform And Principles Of Quantum Mechanics, Applied Mathematics, 09(04):347-354 ,(2018).
[11]Ertugrul Karsak, E. (2006). Using Data Envelopment Analysis For Evaluating Flexible Manufacturing Systems In The Presence Of Imprecise Data. Int J Adv Manuf Technol, 867–874.
[12]Ertugrul Karsak, E & Kuzgunkaya, Onur. (2002). A Fuzzy Multiple Objective Programming Approach For The Selection Of A Fexible Manufacturing System. Int. J. Production Economics, 101-111.
[13]Florescu, Adriana & Barabas, Sorin Adrian. (2020). Modeling And Simulation Of A Flexible Manufacturing System—A Basic Component Of Industry 4.0. Applied Sciences, Https://Www.Mdpi.Com/Journal/Applsci.
[14]Jahanshahloo, G. R., Sanei, M., Rostami-Malkhalifeh, M & Saleh, H. (2009). A Comment On "A Fuzzy Dea/Ar Approach To The Selection Of Flexible Manufacturing Systems". Journal Of Computers & Industrial Engineering, 1713–1714.
[15]Kapitanov, A. V. (2017). Manufacturing System Flexibility Control. International Conference On Industrial Engineering, 1470-1475.
[16]Khouja, Moutaz. (1994). The Use Of Data Envelopment Analysis For Technology Selection. Computer Ind, 123-132.
[17]Kianfar, K., Ahadzade Namin, M., Alam Tabriz, A., Najafi, E. & Hosseinzadeh Lotfi, F. (2018). The Ndea-Mop Model In The Presence Of Negative Data Using Fuzzy Method. Journal Of Scientia Iranica, 398-409.
[18]Li, Yongjun., Chen, Yao., Liang, Liang. & Xie, Jianhui. (2012). Dea Models For Extended Two-Stage Network Structures. International Series In Operations Research & Management Science, 261-285.
[19]Liu, Shiang-Tai. (2008). A Fuzzy Dea/Ar Approach To The Selection Of Flexible Manufacturing Systems. Computers & Industrial Engineering, 66–76.
[20]Mahmood, Kashif., Karaulova, Tatjana., Otto, Tauno. & Shevtshenko, Eduard. (2017). Performance Analysis Of A Flexible Manufacturing System (Fms). The 50th Cirp Conference On Manufacturing Systems, Procedia Cirp 63 ( 2017 ) 424 – 429.
[21]Peykani, Pejman., Mohammadi, Emran., Farzipoor Saen, Reza., Sadjadi, Seyed Jafar. & Rostamy-Malkhalifeh, Mohsen. (2020). Data Envelopment Analysis And Robust Optimization: A Review. Journal Of Expert Systems, Doi: 10.1111/Exsy.12534.
[22]Rezaei, Jafar. (2015). Best-Worst Multi-Criteria Decision-Making Method. Journal Of Omega, 49–57.
[23]Sarki, Joseph & University, Clark. (1997). Evaluating Flexible Manufacturing Systems Alternatives Using Data Envelopment Analysis. A Journal Devoted To The Problems Of Capital Investment, 25-47.
[24]Shakouri, B., Abbasi Shureshjani, R., Daneshian, B & Hosseinzadeh Lotfi, F. (2020). A Parametric Method For Ranking Intuitionistic Fuzzy Numbers And Its Application To Solve Intuitionistic Fuzzy Network Data Envelopment Analysis Models. Journal Of Hindawi, Https://Doi.Org/10.1155/2020/6408613.
[25]Shang, Jen & Sueyoshi, Toshiyuki. (1995). A Unified Framework For The Selection Of A Flexible Manufacturing System. European Journal Of Operational Research, 297-315.
[26]Shavazipour, Babooshka. (2014). Measuring Efficiency And Effectiveness For Non-Storable Commodities: A Mixed Separate Data Envelopment Analysis Spproaches With Real And Fuzzy Data. International Journal Of Data Envelopment Analysis And *Operations Research, 1-11.
[27]Singh, Sanjeet. (2018). Intuitionistic Fuzzy Dea/Ar And Its Application To Flexible Manufacturing Systems. Journal Of Rairo Operations Research, 241-257.
[28]Shivanand, H. K., Benal, M. M. & Koti, V. (2006). Flexible Manufacturing System. New Age International Publishers.
[29]Song, Lianlian. & Liu, Fan . (2016). An Improvement In Dea Cross Efficiency Aggregation Based On The Shannon Entropy. Journal Of International Transactions In Operational Research, 1-10.
[30]Talluri, Srinivas., Whiteside, Mary M. & Seipel, Scott J. (2000). A Nonparametric Stochastic Procedure For Fms Evaluation. European Journal Of Operational Research, 529–538.
[31]Toloo, Mehdi & Salahi, Maziar. (2018). A Powerful Discriminative Approach For Selecting The Most Efficient Unit In Dea. Computers & Industrial Engineering, 269-277.
[32]Vaez, E., Najafi, S. E., Hajimolana, S. M., Hosseinzadeh Lotfi, F & Ahadzadeh Namin, M. (2021). Efficiency Evaluation Of A Three-Stage Leader-Follower Model By Data Envelopment Analysis With Double-Frontier View Point. Journal Of Scientia Iranica, 492-515.
[33]Wang, Meiqiang. & Li, Yongjun. (2012). A Fuzzy Dea Model Based On Weighted Average Value Of Fuzzy Numbers. Journal Of Society Systems Science, Https://Www.Researchgate.Net/Publication/264440693.
[34]Wang, Yi-Chi., Chen, Toly., Chiang, Hsiangtsai. & Pan, Hui-Chen. (2016). A Simulation Analysis Of Part Launching And Order Collection Decisions For A Flexible Manufacturing System. Simulation Modelling Practice And Theory, 80-91.
[35]Wang, Ying-Ming. & Chin, Kwai-Sang. (2011). Fuzzy Data Envelopment Analysis: A Fuzzy Expected Value Approach. Expert Systems With Applications, 11678-11685.
[36]Wang, Zhiguo., Pang, Chee Khiang. & Ng, Tsan Sheng. (2019). Robust Scheduling Optimization For Flexible Manufacturing Systems With Replenishment Under Uncertain Machine Failure Disruptions. Control Engineering Practice, Https://Www.Sciencedirect.Com/Science/Article/Abs/Pii/S096706611930111x?Via%3dihub.
[37]Yadav, Anupma & Jayswal, S. C. (2020). Modelling Of Flexible Manufacturing System: A Review. International Journal Of Production Research, Https:// Doi.Org/10.1080/00207543.2017.1387302.
[38]Zacharia, Paraskevi T. & Xidias, Elias K. (2020). Agv Routing And Motion Planning In A Flexible Manufacturing System Using A Fuzzy-Based Genetic Algorithm. The International Journal Of Advanced Manufacturing Technology, Https://Doi.Org/10.1007/S00170-020-05755-3.
[39]Zohreh, Moghaddas, Babak, Mohamadpour Tosarkani & Samuel, Yousefi. (2022). Resource Reallocation For Improving Sustainable Supply Chain Performance: An Inverse Data Envelopment Analysis. International Journal Of Production Economics, Volume 252, October 2022, 108560.
[11]Ertugrul Karsak, E. (2006). Using Data Envelopment Analysis For Evaluating Flexible Manufacturing Systems In The Presence Of Imprecise Data. Int J Adv Manuf Technol, 867–874.
[12]Ertugrul Karsak, E & Kuzgunkaya, Onur. (2002). A Fuzzy Multiple Objective Programming Approach For The Selection Of A Fexible Manufacturing System. Int. J. Production Economics, 101-111.
[13]Florescu, Adriana & Barabas, Sorin Adrian. (2020). Modeling And Simulation Of A Flexible Manufacturing System—A Basic Component Of Industry 4.0. Applied Sciences, Https://Www.Mdpi.Com/Journal/Applsci.
[14]Jahanshahloo, G. R., Sanei, M., Rostami-Malkhalifeh, M & Saleh, H. (2009). A Comment On "A Fuzzy Dea/Ar Approach To The Selection Of Flexible Manufacturing Systems". Journal Of Computers & Industrial Engineering, 1713–1714.
[15]Kapitanov, A. V. (2017). Manufacturing System Flexibility Control. International Conference On Industrial Engineering, 1470-1475.
[16]Khouja, Moutaz. (1994). The Use Of Data Envelopment Analysis For Technology Selection. Computer Ind, 123-132.
[17]Kianfar, K., Ahadzade Namin, M., Alam Tabriz, A., Najafi, E. & Hosseinzadeh Lotfi, F. (2018). The Ndea-Mop Model In The Presence Of Negative Data Using Fuzzy Method. Journal Of Scientia Iranica, 398-409.
[18]Li, Yongjun., Chen, Yao., Liang, Liang. & Xie, Jianhui. (2012). Dea Models For Extended Two-Stage Network Structures. International Series In Operations Research & Management Science, 261-285.
[19]Liu, Shiang-Tai. (2008). A Fuzzy Dea/Ar Approach To The Selection Of Flexible Manufacturing Systems. Computers & Industrial Engineering, 66–76.
[20]Mahmood, Kashif., Karaulova, Tatjana., Otto, Tauno. & Shevtshenko, Eduard. (2017). Performance Analysis Of A Flexible Manufacturing System (Fms). The 50th Cirp Conference On Manufacturing Systems, Procedia Cirp 63 ( 2017 ) 424 – 429.
[21]Peykani, Pejman., Mohammadi, Emran., Farzipoor Saen, Reza., Sadjadi, Seyed Jafar. & Rostamy-Malkhalifeh, Mohsen. (2020). Data Envelopment Analysis And Robust Optimization: A Review. Journal Of Expert Systems, Doi: 10.1111/Exsy.12534.
[22]Rezaei, Jafar. (2015). Best-Worst Multi-Criteria Decision-Making Method. Journal Of Omega, 49–57.
[23]Sarki, Joseph & University, Clark. (1997). Evaluating Flexible Manufacturing Systems Alternatives Using Data Envelopment Analysis. A Journal Devoted To The Problems Of Capital Investment, 25-47.
[24]Shakouri, B., Abbasi Shureshjani, R., Daneshian, B & Hosseinzadeh Lotfi, F. (2020). A Parametric Method For Ranking Intuitionistic Fuzzy Numbers And Its Application To Solve Intuitionistic Fuzzy Network Data Envelopment Analysis Models. Journal Of Hindawi, Https://Doi.Org/10.1155/2020/6408613.
[25]Shang, Jen & Sueyoshi, Toshiyuki. (1995). A Unified Framework For The Selection Of A Flexible Manufacturing System. European Journal Of Operational Research, 297-315.
[26]Shavazipour, Babooshka. (2014). Measuring Efficiency And Effectiveness For Non-Storable Commodities: A Mixed Separate Data Envelopment Analysis Spproaches With Real And Fuzzy Data. International Journal Of Data Envelopment Analysis And *Operations Research, 1-11.
[27]Singh, Sanjeet. (2018). Intuitionistic Fuzzy Dea/Ar And Its Application To Flexible Manufacturing Systems. Journal Of Rairo Operations Research, 241-257.
[28]Shivanand, H. K., Benal, M. M. & Koti, V. (2006). Flexible Manufacturing System. New Age International Publishers.
[29]Song, Lianlian. & Liu, Fan . (2016). An Improvement In Dea Cross Efficiency Aggregation Based On The Shannon Entropy. Journal Of International Transactions In Operational Research, 1-10.
[30]Talluri, Srinivas., Whiteside, Mary M. & Seipel, Scott J. (2000). A Nonparametric Stochastic Procedure For Fms Evaluation. European Journal Of Operational Research, 529–538.
[31]Toloo, Mehdi & Salahi, Maziar. (2018). A Powerful Discriminative Approach For Selecting The Most Efficient Unit In Dea. Computers & Industrial Engineering, 269-277.
[32]Vaez, E., Najafi, S. E., Hajimolana, S. M., Hosseinzadeh Lotfi, F & Ahadzadeh Namin, M. (2021). Efficiency Evaluation Of A Three-Stage Leader-Follower Model By Data Envelopment Analysis With Double-Frontier View Point. Journal Of Scientia Iranica, 492-515.
[33]Wang, Meiqiang. & Li, Yongjun. (2012). A Fuzzy Dea Model Based On Weighted Average Value Of Fuzzy Numbers. Journal Of Society Systems Science, Https://Www.Researchgate.Net/Publication/264440693.
[34]Wang, Yi-Chi., Chen, Toly., Chiang, Hsiangtsai. & Pan, Hui-Chen. (2016). A Simulation Analysis Of Part Launching And Order Collection Decisions For A Flexible Manufacturing System. Simulation Modelling Practice And Theory, 80-91.
[35]Wang, Ying-Ming. & Chin, Kwai-Sang. (2011). Fuzzy Data Envelopment Analysis: A Fuzzy Expected Value Approach. Expert Systems With Applications, 11678-11685.
[36]Wang, Zhiguo., Pang, Chee Khiang. & Ng, Tsan Sheng. (2019). Robust Scheduling Optimization For Flexible Manufacturing Systems With Replenishment Under Uncertain Machine Failure Disruptions. Control Engineering Practice, Https:// Www.Sciencedirect.Com/Science/Article/Abs/Pii/S096706611930111x?Via%3dihub.
[37]Yadav, Anupma & Jayswal, S. C. (2020). Modelling Of Flexible Manufacturing System: A Review. International Journal Of Production Research, Https:// Doi.Org/10.1080/00207543.2017.1387302.
[38]Zacharia, Paraskevi T. & Xidias, Elias K. (2020). Agv Routing And Motion Planning In A Flexible Manufacturing System Using A Fuzzy-Based Genetic Algorithm. The International Journal Of Advanced Manufacturing Technology, Https://Doi.Org/10.1007/S00170-020-05755-3.
[39]Zohreh, Moghaddas, Babak, Mohamadpour Tosarkani & Samuel, Yousefi. (2022). Resource Reallocation For Improving Sustainable Supply Chain Performance: An Inverse Data Envelopment Analysis. International Journal Of Production Economics, Volume 252, October 2022, 108560.
Designing a Model for Evaluating Performace Flexible Manufaturing Systems in Production Lines of Car Cylinder Block
Abstract
With the advent of technology in informatic era and due to environmental intricacy, many organizations, companies, institutions and industries encounter many challenges to improve their status-quo and enhance their performance. In order to maintain competition, many manufacturing units, particularly auto parts manufacturers, deal with the conflicts of reducing costs, evading waste of time, being aptly accountable towards customers and improving quality. To resolve these shortcomings, many manufacturers apply a system called Flexible Manufacturing System. This production system is mainly designed by a group of machines with flexible workshops to produce various parts with the objectives of diminishing the time from order to delivery of goods, increasing the number of the final product, rising the efficiency of machines, developing the ability to deliver goods, reducing the level of inventory, lessening the work in process and increasing quality. In the current research, through surveying the scientific and industrial foundations, comprehensive indicators that affect the performance of the flexible manufacturing system collected and thanks to the frequency of indicators and the direction of screening via the Delphi Method, effective indicators are identified and subsequently in order to evaluate the performance of generating units in Tiba car cylinder block, the mathematical method of Developed Data Envelopment Analysis is utilized and the Best-Worst Method is applied for prioritizing the efficient units .The findings illustrate appropriate investment, utilization of advanced machinery and equipment and integration between equipment as well would make flexible production systems more efficient.
Keywords: Flexible manufacturing System, Data envelopment analysis, Performance evaluation, delphi method, Best-Worst method
طراحی مدلی برای ارزیابی عملکرد سیستمهای تولید انعطافپذیر در خطوط تولید بلوک سیلندر خودرو
چکیده
در عصر اطلاعات و بدلیل پیچیدگی محیطی، بسیاری از سازمانها، شرکتها، نهادها و صنایع با چالشهای بسیاری برای بهبود وضعیت و ارتقاء عملکرد خود مواجه هستند. بسیاری از واحدهای تولیدی و به خصوص تولیدکنندگان قطعات خودرو به منظور رقابت، با چالشهای کاهش هزینه، جلوگیری از اتلاف زمان، پاسخگویی شایسته به مشتریان و بهبود کیفیت روبرو میباشند. برای پاسخ مناسب به این چالشها بسیاری از تولیدکنندگان از سیستمی تحت عنوان سیستم تولید انعطافپذیر استفاده میکنند. این سیستم تولیدی از طریق گروهی از ماشینآلات با کارگاههای کاری انعطافپذیر و به منظور تولید قطعات متنوع طراحی میشوند که هدف آن کاهش زمان سفارش تا تحویل کالا، افزایش محصول نهایی، ارتقاء سطح بهرهوری ماشینآلات، بهبود در توانایی تحویل کالا، کاهش سطح موجودی، کاهش کار در جریان تولید و افزایش کیفیت میباشد. در این تحقیق با مطالعه مبانی علمی و صنعتی، شاخصهای جامعی که بر روی عملکرد سیستم تولید انعطافپذیر تاثیرگذار هستند از طریق نظریه دادهبنیاد جمعآوری شده است و با توجه به فراوانی شاخصها از روش دلفی جهت غربالسازی و شناسایی شاخصهای مؤثر بهره برده شده است. در ادامه به منظور ارزیابی عملکرد واحدهای تولیدکننده بلوک سیلندر خودرو تیبا از روش ریاضی تحلیل پوششی دادههای توسعهیافته استفاده و به منظور اولویتبندی واحدهای کارا از تکنیک بهترینوبدترین استفاده شده است. نتایج نشان میدهد سرمایهگذاری مناسب به منظور تامین ماشینآلات و تجهیزات پیشرفته و همچنین یکپارچگی بین تجهیزات موجب کارا شدن سیستمهای تولید انعطافپذیر خواهد بود.
کلیدواژه‌ها: سیستم تولید انعطافپذیر، تحلیل پوششی دادهها، ارزیابی عملکرد، روش دلفی، روش بهترینوبدترین
1. مقدمه
با توجه به افزایش سطح رقابت جهانی، چالش مشترک هر بنگاه تولیدی مدرن برای بقا در بازار رقابتی امروز این است که باید توانایی تولید محصولات سفارشی با کیفیت بالا و با حجم زیاد و زمان کوتاه را داشته باشد. سیستم تولید انعطافپذیر یک سیستم تولید رایانهای و خودکار است که برای تولید محصولات با حجم متوسط و با بهرهوری بالا طراحی شده است. این نوع سیستم تولیدی کارایی یک خط تولید انبوه را با انعطافپذیری یک کارگاه کاری ترکیب میکند و بهترین ساختار شرکتهای تولیدی مدرن برای افزایش بهرهوری و رقابتپذیری را فراهم میکند. از زمان اجرای موفقیتآمیز اولین سیستم تولید انعطافپذیر در دهه 1960، بسیاری از مسائل سیستم تولید انعطافپذیر مورد مطالعه قرار گرفته است [34]. در این دهه نگرانی اصلی واحدهای صنعتی هزینه بود. اما به مرور زمان کیفیت مورد توجه قرار گرفته و با پیچیدهتر شدن بازار، سرعت تحویل کالا و تأمین نیاز مشتری به اولویت صاحبان صنایع تبدیل گردید و این موضوع منجر به تدوین راهبرد جدیدی گردید که شرکتهای تولیدکننده را مجبور نموده با محیطی که در آن فعالیت میکنند سازگار و در عملکرد خود انعطافپذیرتر گردند تا بتوانند بخشهای مختلف بازار را راضی کنند. بنابراین نوآوری در سیستمهای تولید انعطافپذیر تلاش و راهی برای بدست آوردن این مزیت رقابتی گردید [28].
رباتها، ماشینهای CNC1 و سیستمهای خودکار هدایتکننده مواد که توسط رایانههای اختصاصی کنترل میشوند از اجزای اصلی سیستم تولید انعطافپذیر (FMS2) هستند [12]. رباتهای متحرک و به ویژه سیستمهای خودکار هدایتکننده مواد به طور گسترده در حوزههای مختلف مانند جابجایی مواد در ساخت، توزیع و حمل و نقل بکار می روند [38]. سیستمهای تولید انعطافپذیر معمولاً در سیستمهای تولید خودکار مدرن دیده میشوند که انعطاف زیادی در تخصیص ماشین و مسیریابی قطعه دارند. هر ماشین ممکن است توانایی پردازش چندین کار را داشته باشد و هر کار ممکن است توسط ماشینهای جایگزین پردازش شود [36]. این نوع سیستمها از این رو انعطافپذیر میباشند تا بتوانند محصولات مختلف مرکب را به طور مؤثر با محصولات جدید بازار انطباق دهند. بنابراین FMS و معیارهای ارزیابی آن باید تعریف گردد و برای بدست آوردن ارزش بهینه زمان توانایی تولید و بهرهبرداری تجهیزات مورد تجزیه و تحلیل قرار گیرد [20]. در حال حاضر جهت انعطافپذیری بیشتر، مطالعه در مورد توسعه سیستمهای تولید با قابلیت تغییر تنظیمات و انطباق آن با نیازهای تولید در حال انجام است [15].
ارزیابی عملکرد به عنوان عنصر حیاتی تصمیمگیری مدیران در راستای تغییرات سازمانی و تحولات محیطی معرفی شده است. فرآیند ارزیابی عملکرد به جمعآوری و تحلیل دادهها بسنده ننموده و از دادهها برای توسعه و بهبود سازمان و تحقق رسالتها و اهداف استراتژیک بهره میجوید. با توسعه علوم تصمیمگیری در مدیریت، همچون تحقیق در عملیات، پایه علمی و ریاضی ارزیابی عملکرد دقیقتر شده است و ارزیابیها بیشتر از حالت کیفی به کمی تبدیل شدهاند. این علوم کاربردی به طور قابل توجهی بر بهبود کیفیت تصمیمات مدیران تاثیرگذاشته است [2]. روش ریاضی که در سالهای اخیر به شدت مورد توجه قرار گرفته است، روش تحلیل پوششی دادهها میباشد. تحلیل پوششی دادهها تکنیکی ریاضی و مدیریتی برای ارزیابی واحدهای تصمیمگیرنده (DMU3) با ورودیها و خروجیهای متعدد و متنوع است و با در نظر گرفتن وابستگیها و ساختار سیستمها و همچنین بازخورد اثرات متقابل معیارها به ارزیابی سیستماتیک عمکرد DMUها میپردازد [1].
محققین زیادی به مطالعه و ارائه مدلهای تحلیل پوششی دادهها (DEA4) برای ارزیابی کاراییهای کلی و جزیی سیستمهای دومرحلهای پرداختهاند. در این پژوهش علاوه بر در نظر گرفتن شاخصهای مورد مطالعه محققین پیشین، شاخصهای جامعی از FMS جمعآوری و سپس با روش دلفی نسبت به غربالسازی این شاخصها اقدام و 15 شاخص مؤثر در FMS شناسایی شده است. با استفاده از نظر خبرگان دانشگاهی و تولیدکنندگان بلوک سیلندر خودرو تیبا این شاخصهای غربالسازیشده با خطوط تولید بلوک سیلندر تطابق داده شد و یک مدل DEA با ساختار شبکه دومرحلهای بدست آمد و از فرم پوششی DEA این مدل، جهت ارزیابی عملکرد FMS خطوط تولید استفاده شد. در تحقیقات گذشته با روشهایی همچون اندرسون-پیترسون و کارایی متقاطع به رتبهبندی گزینههای کارا اقدام گردیده است. اما در این پژوهش برای انتخاب گزینههای کارای FMS از روش بهترینوبدترین (BWM5 ) بهره برده شده است. شایان گفتن است مطالعه و پژوهش بر روی FMS، محققین حاضر را به تدوین ساختار شبکهای دومرحلهای خطوط تولید مورد مطالعاتی رسانده است. یعنی با مشاهدات میدانی و تطابق عوامل تاثیرگذار بر FMS که جامعیت بیشتری نسبت به مطالعات گذشته داشتهاند به طراحی مدل ریاضی توسعهیافته DEA پرداخته شده است. این تطابق معیارها با خطوط تولید موجب به وجود آمدن محدودیتهایی در توسعه DEA گردید که باعث کاربردیشدن هر چه بیشتر مدل تدوینشده در این تحقیق میباشد.
در بخش دوم به مبانی نظری FMS و DEA و تحقیقات محققین پیشین در زمینه ارزیابی عملکرد FMS با رویکرد DEA پرداخته شده است. در بخش سوم روششناسی تحقیق صورتگرفته و مدلسازی انجام شده است. در بخش چهارم مدل ارائهشده در نرمافزار GAMS برنامهنویسی و با دادههای جمعآوریشده اجرا گردید و در بخش پنجم نتیجهگیری مباحث مطرحشده در بخشهای قبل و همچنین پیشنهادهایی برای تحقیقات آتی بیان شده است.
2. مبانی نظری
1.2. سیستم تولید انعطافپذیر
تولید موضوع پیچیدهای است و سامانههای فعال و غیرفعال، سنتهای مطلوب و نامطلوب، فرهنگهای سنتی و نوین، همگی به طور همزمان در تولید نقش دارند [5]. در قرن بیست و یکم، همگام با بکارگیری فناوری در صنایع و ایجاد تغییر و تحول در سیستمهای تولیدی، چهرهی سازمانهای صنعتی دگرگون شده است و این امر به ویژه با معرفی اتوماسیون و کاربرد رایانه در صنایع دوچندان شده است. [3]. از جمله فناوریهای جدید در صنعت تولید، FMS میباشد که این نوع سیستم دارای تعاریف فراوانی است. FMS میتواند هر محصولی را از یک خانواده بزرگ آن محصول به طور تصادفی و به مدت طولانی بدون حضور نیروی انسانی تولید کند. از نظر اندازه FMS میتواند دارای 5 تا 10 دستگاه، ربات و وسایل نقلیه هدایتشدهی خودکار باشد و در بعضی مواقع تعداد دستگاهها بسیار بیشتر است. این سیستم یک آرایش منظم از ماشینآلات، تجهیزات و دیگر عوامل تولیدی است که توسط یک سیستم حمل و نقل منسجم با هم در ارتباط هستند [4].
حوزه سیستمهای تولید انعطافپذیر در سالهای اخیر روند توسعه پویایی را مشاهده کرده است. یک جز اساسی در انقلاب صنعتی چهارم، سیستم تولید انعطافپذیر است. سیستم تولید پیشرفته که ماشینها، ایستگاههای کاری و تجهیزات لجستیکی را به هم متصل میکند و کل فرآیند تولید را با رایانه هماهنگ میکند و در چند گروه و در حالی که تولید غیر قابل پیشبینی میباشد سازمان یافته است [13].
2.2. تحلیل پوششی دادهها
تحلیل پوششی دادهها ابزار توانمندی است که امروزه به صورت چشمگیری در ارزیابی عملکرد سیستمهایی با چند ورودی و چند خروجی کاربرد یافته است. رشد مستمر و کاربرد فراوان DEA در سی سال اخیر، چه در بعد بسط تئوری و چه در قلمرو کاربردی، آنچنان بوده که حتی شگفتی خود صاحبنظران را برانگیخته است.
فارل در سال 1957 برای اولینبار جهت تخمین کارایی، روشهای ناپارامتریک را مطرح نمود. او به جای حدس تابع تولید، مقادیر ورودیها و خروجیهای واحدها را مشاهده کرد و مرزی را برای این واحدها در نظر گرفت و این مرز را که مرز کارایی6 نام دارد، ملاک کارایی قرار داد. روش فارل توسط افرادی چون چارنز، کوپر و رودز بسط داده شد و مدلهایی تحت عنوان تحلیل پوششی دادهها مطرح گردید که اطلاعات لازم برای آن، ورودیها و خروجیهای واحد تصمیمگیرنده میباشد. DEA کارایی یک واحد تصمیمگیرنده را نسبت به واحدهای مشابه با ورودیها و خروجیهای مشابه اندازه میگیرد.
سادهترین و ابتداییترین مدل DEA، مدل CCR7 است که در سال 1987 به صورت نظریه دکتری رودز و با راهنمایی اساتیدی چون چارنز و کوپر معرفی گردید. پس از آن در سال 1984 بنکر، کوپر و رودز مدل BCC8 را برای بازده به مقیاس متغیر تولید معرفی کردند. مدل استاندارد تحلیل پوششی دادهها، با فرض بازده به مقیاس ثابت جهت محاسبه کارایی کل DMUO به صورت مدل 1 میباشد.
ΘO = Max 
(1) |
≤ 1 , j = 1, …, n (1)
vi ≥ 1ε , i = 1, …, m
ur ≥ 1ε , r = 1, …, s
که در آن ε عدد غیر ارشمیدسی کوچک و ΘO نمایانگر کارایی کل DMUO توسط مدلهای استاندارد تحلیل پوششی دادهها است. اگر ΘO = 1 آنگاه DMUO کارا و اگر ΘO 
، در این صورتDMUO ناکارا است.
مدلهای سنتی DEA مجموعه واحدها را به دو مجموعه مجزا تقسیم میکنند: کارا و ناکارا. این مدلها نمیتوانند اطلاعات بیشتری در مورد واحدهای کارا ارائه کنند [31]. در جهت رفع این مشکل پژوهشهای زیادی صورتگرفته و به توسعه و ارائه مدلهای DEA برای ارزیابی کاراییهای کلی و جزیی سیستمهای دومرحلهای پرداخته شده است. DEA چندین ورودی و خروجی را یکپارچه کرده و هیچ فرض اساسی از یک شکل عملکردی ندارد. به این معنی که DEA فرم تابع عملکردی خود را میسازد و از خطای نادرست مشخصات مرزی جلوگیری میکند [8].
در طی سالهای اخیر، برخی از محققین به بررسی واحدهای تصمیمگیری با ساختارهای شبکه پرداختهاند. در این نوع از ساختارها ورودیهای مرحله دوم، خروجیهای مرحله اول هستند. البته در DEAهای شبکه دومرحلهای باید به این موضوع دقت داشت که در برخی موارد فرآیند به گونهای است که مرحله دوم شامل ورودیهای اضافی هست یعنی علاوه بر خروجیهای مرحله اول، معیارهای دیگری نیز به عنوان ورودیهای مرحله دوم در نظر گرفته میشود. در شکل 1 و 2 ساختار شماتیک این دو نوع نشان داده شده است [18]. خاطر نشان میسازد محققین زیادی در پژوهشها و مقالات خود به توسعه انواع مدلهای DEA پرداخته و عملکرد موارد مطالعاتی مختلف مانند عملیات نگهداری هواپیماها، هتلها، ریسک ساختار پلها، آموزش و پرورش، گروههای آموزشی و مؤسسات آموزش عالی و غیره را مورد ارزیابی قرار دادهاند. از جمله تحقیقات مورد توجه ایشان، ارزیابی عملکرد سیستمهای تولید انعطافپذیر و ارائه مدلهای ریاضی DEA برای آن میباشد. در بخش پیشینه تحقیق به برخی از پژوهشهای صورتگرفته اشاره شده است.
[1] Cumputer Numerical Control-1
[2] Flexible Manufacturing System-2
[3] Decision Making Unit-3
[4] 4-Data Envelopment Analysis
[5] Best-Worst Method-1
[7] 2-Efficiency Frontier
3-Charnes Cooper Rhodes
[8] 1-Banker Charnes Cooper
شکل 1: ساختار شبکهای دومرحلهای
شکل 2: ساختار شبکهای دومرحلهای با ورودیهای اضافی به مرحله دوم
3. پیشینه تحقیق
طی چند دهه گذشته FMS مورد توجه بسیاری از محققین قرار گرفته است و پژوهشهای زیادی در این خصوص وجود دارد. پژوهشها نشان میدهد که مزایای پیادهسازی FMS بسیار زیاد میباشد. اما بسیاری از شرکتها به دلیل اجرای FMS شکست خوردهاند و نیاز به عملکرد موثر دارند [7]. جهت جلوگیری از شکست در پیادهسازی FMS در خطوط تولید نیاز به بررسی اصولی و علمی عملکرد FMS داریم. با مروری بر مطالعات پیشین در زمینه مدلسازی FMS درک بهتری از FMS پیدا میکنیم. این مدلها شامل مدلهای ریاضی، مدلهای هوش مصنوعی، مدلهای سلسله مراتبی، مدلهای تصمیمگیری با معیارهای چندگانه، مدلهای پترینت و مدلهای شبیهسازی میباشد [37]. در این تحقیق با توجه به اینکه به ارزیابی عملکرد FMS با مدلسازی ریاضی DEA پرداخته شده است به تحقیقات صورتگرفته در این زمینه اشاره میشود.
در 20 سال گذشته استفاده از طیف وسیعی از فناوریهای تولید که در دسترس شرکتها میباشد، به طور قابل توجهی افزایش یافته است. در سال 1994 در یک مقاله، یک مدل تصمیمگیری برای مسئله انتخاب فناوری با استفاده از یک روش دومرحلهای پیشنهاد شده است. در مرحله 1، از DEA برای شناسایی فنآوریهایی استفاده میکند که بهترین ترکیبات مشخصات فروشنده را بر روی پارامترهای عملکرد فناوری ارائه میدهد. در مرحله 2، از مدل تصمیمگیری چندگانه برای انتخاب فناوری از موارد مشخصشده در مرحله 1 استفاده میکند. این مدل پیشنهادی با استفاده از دادههای واقعی معیارهای هزینه، سرعت، ظرفیت بار و تکرارپذیری به انتخاب ربات پرداخته است [16].
شانگ و سوئیوشی در سال 1995 مدل یکپارچه DEA برای انتخاب یک FMS ارائه کردند. در این تحقیق به مسئله انتخاب مناسبترین FMS برای یک سازمان تولیدی میپردازد و یک چارچوب یکپارچه برای تسهیل تصمیمگیری در مرحله طراحی و برنامهریزی پیشنهاد شده است. چارچوب پیشنهادی شامل سه ماژول مجزا است: یک فرآیند تحلیلی سلسله مراتبی (AHP1) ، یک ماژول شبیهسازی و یک روش حسابداری. این ماژولها از طریق روش ارزیابی کارایی DEA یکپارچه شده است. ایشان پس از حل یک مدل اصلی DEA، متوجه میشوند که اصلاح ساختار DEA ضروری به نظر میرسد. با استفاده از روشهای محدودیت انعطافپذیری وزن و بازده متقابل، این ساختار را اصلاح کرده و با آن کاراترین سیستم FMS را شناسایی نمودند. در این تحقیق از معیارهای سرمایه، اپراتور، فضا، کیفیت، کار در جریان، کارهای به تأخیر افتاده و بازده استفاده کردهاند [25]. تالوری و همکاران در سال 2000 یک چارچوب ابتکاری را ارائه میدهند که مبتنی بر استفاده ترکیبی از DEA و روشهای آماری غیرپارامتری برای انتخاب FMS است. این تحقیق با شناسایی گروههای همگن سیستم، گزینههای مناسبتری را برای تصمیمگیرنده فراهم میکند و کمکهای گرافیکی برای تفسیر بهتر نتایج ارائه میدهد. معیارهای این مقاله همان معیارهای استفادهشده در مقاله شانگ و سوئیوشی که شرح داده شد، میباشد [30]. وانگ و چانه در سال 2011 علاوه بر استفاده از معیارهای استفادهشده در مقاله شانگ و سوئیشی از معیارهای هزینههای ساخت، تعداد کارکنان، مقدار خروجی ناخالص و کیفیت محصول استفاده کرده و مدل تحلیل پوششی دادههای فازی با رویکرد ارزش مورد انتظار فازی با ورودی و خروجیهای فازی جهت انتخاب یک FMS ارائه کردند [35].
سارکیس در سال 1997 در مقالهای تحت عنوان «ارزیابی گزینههای سیستمهای تولید انعطافپذیر با استفاده از تحلیل پوششی دادهها» تعدادی مدل برای کمک به تصمیم گیرندگان در ارزیابی FMS ارائه کرده است. در این مقاله DEA به عنوان تکنیکی برای کمک به ارزیابی FMS با در نظر گرفتن معیارهای هزینه، زمان تولید، کارکنان، کار در جریان، فضای مورد نیاز، انعطافپذیری در مقدار تولید، انعطافپذیری محصول، انعطافپذیری مسیریابی مدلسازی شده است و پیامدهای مدیریتی و تحقیقاتی استفاده از این مدلها نیز ارائه شده است [23]. در سال 2012 وانگ و لی نیز یک مدل تحلیل پوششی دادههای فازی بر اساس شاخص مقدار متوسط وزنی (2WAV) از اعداد فازی ارائه کردند و این مدل تحلیل پوششی دادههای فازی پیشنهادی را برای ارزیابی عملکرد هشت FMS اعمال نمودند. آنها از معیارهای سرمایه و هزینه نگهداری، فضا، کاهش هزینه کار، کاهش کار در جریان، کاهش در هزینه راهاندازی، بهبود کیفیت و افزایش پاسخ بازار استفاده کردهاند [33]. در سال 2006 در مقالهای یک روش جامع برای ارزیابی و انتخاب فنآوریهای پیشرفته تولید در روند تصمیمگیری ارائه شده بود. در ابتدا یک مدل DEA که میتواند دادههای قطعی، ترتیبی و فازی را در نظر بگیرد، معرفی و سپس از چارچوب توسعهیافته برای انتخاب FMS استفاده شد. محقق سرمایه و هزینه عملیاتی، فضای کف مورد نیاز و کار در جریان را به عنوان متغیرهای ورودی و انعطافپذیری محصول، بهبود کیفیت و کاهش زمان تحویل را به عنوان متغیرهای خروجی در نظر گرفته است. در این پژوهش دادههای مربوط به انعطافپذیری محصول و بهبود کیفیت به صورت ترتیبی و دادههای مربوط به کار در فرآیند و کاهش زمان تحویل به صورت اعداد فازی مثلثی بیان شدهاند. در نهایت چارچوب پیشنهادی از طریق یک برنامه کاربردی اجرا و نتایج مقایسهای ارائه شده است [11].
محققین زیادی به ابداع مدلهای مختلفی پرداختن که در این میان سونگا و لیو در سال 2016 مقالهای تحت عنوان «بهبود تجمع متقابل کارایی DEA بر اساس آنتروپی شانون» ارائه کردند و برای نشان دادن اثربخشی روش پیشنهادی، یک مثال عددی را در مورد یک سیستم تولید انعطاف پذیر که توسط وو و همکاران ارائه شده بود را دوباره محاسبه کردند [29].
با توجه به اینکه DEA روشی برای اندازهگیری نسبی واحدهای تصمیمگیری است که محصولات مشابه تولید میکنند شاوازیپور در سال 2014 یک رویکرد جداگانه ترکیبشده DEA برای تجزیه و تحلیل عملکرد کلی کالاهای ذخیرهنشده ارائه کرد. این مدل در ده شرکت سازنده خودرو بینشهری اجرایی شده است. این رویکرد با مشاهدات فازی توسعه و با یک مثال عددی ارائه و نشان داده شده است. معیارهای مد نظر ایشان در این تحقیق هزینههای عملیاتی، تعداد ماشین، گنجایش سوخت، کل کارمندان، مسافت طیشده توسط خودرو و تعداد مسافران بوده است [26]. یک رویکرد دیگری از DEA در سال 2017 توسط ایگناسیو ایگوئا و همکاران برای ارزیابی کارایی فنی سیستمهای تولید قابل تنظیم مجدد (3RMS) با محک زدن تخصیص زمان مشاهدهشده از پیکربندیهای سیستمهای متفاوت و ورودیهای مصرفشده و خروجیهای تولیدشده در هر یک از آنها ارائه شده است. ورودیهای در نظر گرفتهشده که در ماژولهای مختلف RMS مورد استفاده قرار گرفتهاند، نیروی کار و انرژی مصرفی بوده و خروجیها از تعداد واحدهای تولیدشده است. نتیجه نشان داد که رویکرد پیشنهادی میتواند ناکارآمدیهای سیستم را شناسایی و طبقهبندی کند و در نتیجه به افزایش کارایی کمک میکند [10].
تلوو در سال 2012 یک مدل DEA عدد صحیح مختلط برای یافتن کاراترین واحد تصمیمگیری ارائه کرد. اما ابراهیمی و رحمانی در سال 2017 نشان دادند که این مدل ممکن است در بعضی موارد غیرقابل اجرا باشد و هنگامی که این مدل عملیاتی میشود ممکن است در شناسایی کاراترین DMU شکست بخورد. ایشان یک مدل بهبودیافته BCC برای یافتن کاراترین DMU طراحی کردند که اشکالات را برطرف میکند. همچنین الگوریتمی برای یافتن و رتبهبندی سایر DMUهای کارا در صورت وجود بیش از یک DMU کارا با بازده BCC ارائه کردند و قابلیت و سودمندی مدل پیشنهادی خود را با استفاده از یک مجموعه از دادههای واقعی شامل نوزده طرح تاسیساتی و دوازده FMS نشان دادند [9].
لیو در سال 2008 نیز در مقالهای تحت عنوان «رویکرد فازی DEA/AR برای انتخاب سیستمهای تولید انعطاف پذیر» به ارزیابی عملکرد گزینههای FMS پرداخت و در حالی که دادههای ورودی و خروجی به صورت قطعی و فازی بودند، این رویکرد را توسعه داد [19]. رویکرد لیو در سال 2009 توسط جهانشاهلو و همکاران مورد نقد قرار گرفت [14] و البته نقد جهانشاهلو و همکاران در سال 2010 توسط ژو و همکاران دوباره مورد نقد و بازبینی قرار گرفت. سینگ در سال 2018 مفهوم منطقه اطمینان (AR4) در DEA برای محدود کردن نسبت هر دو وزن در مرزهای پایین و بالا مشخصشده بیان میکند تا بر نادیده گرفتن یا تکیه بیش از حد بر روی هر یک از ورودیها و یا خروجیها هنگام محاسبه بهرهوری غلبه کند. در این تحقیق رویکرد فازی شهودی DEA/AR برای ارزیابی میزان اطمینان در جایی که دادههای ورودی و خروجی به عنوان فازی شهودی میباشند ارائه شدهاند [27].
کیانفر و همکاران در سال 2018 از روش برنامهنویسی چند منظوره برای حل مدلهای 5NDEAاستفاده کردهاند. ایشان در ابتدا، مدلهای تولید دو مرحلهای و سپس Kمرحلهای را فرموله کردند. در این پژوهش در مقایسه با DEA معمولی، مزیت مدلهای NDEA پیشنهادی با در نظر گرفتن فرآیندها و محصولات میانی به منظور محاسبه کارایی کلی سازمان بیان شده است [17]. همچنین واعظ و همکاران در سال 2021 یک شبکه سهمرحلهای را مورد بررسی قرار دادهاند. این شبکه شامل یک پیشگام و دو دنبالکننده است. در این پژوهش چهار مدل متنوع از تحلیل پوششی دادهها برای اندازه گیری کارایی این شبکه سهمرحلهای در نظر گرفته شده است و در ادامه یک روش ابتکاری برای تبدیل مدلهای غیرخطی به مدلهای خطی پیشنهاد شده است [32].
سازمانهای تولیدی که نیاز به پیادهسازی فنآوریهای پیشرفته تولیدی مانند رباتهای صنعتی، دستگاههای کنترل عددی رایانهای، سیستم تولید انعطافپذیر، سیستمهای حمل و نقل خودکار برای بدست آوردن قابلیت رقابت و افزایش تواناییهای راهبردی دارند میتوانند از مقالاتی مانند مقاله پیکانی و همکاران که رویکردهای برجسته برای دستیابی به عدم قطعیتها در DEA را مورد بررسی قرار دادهاند استفاده کنند. در مقاله ایشان مجموعهای از مدلهای DEA مبتنی بر سناریو و عدم قطعیت که شامل 73 مورد مطالعاتی از سال 2008 تا 2019 میباشد بررسی شده است [21]. حسینزاده لطفی و همکاران نیز در سال 2020 در مقالههایی تحت عنوان «یک روش پارامتری برای رتبهبندی اعداد فازی شهودی و کاربرد آن برای حل مدلهای تحلیل پوششی دادههای شبکه فازی شهودی» و «رویکرد تحلیل پوششی دادههای ریاضی فازی برای مسئله حمل و نقل چندهدفه فازی» مدلهایی از تحلیل پوششی دادههای فازی را مورد بررسی قرار دادند که رویکردهای این مقالات میتواند مورد استفاده در صنعت خودروسازی باشد [24] و [6]. خاطر نشان میشود FMS بسیار در پژوهشها از اوایل دهه 1970 مورد توجه بوده است. در طی سه دهه گذشته تعداد بسیاری از محققان با استفاده از تکنیکهای ریاضی و مدلسازی به انتخاب و توجیه فنآوریهای پیشرفته تولید پرداختهاند. خوانندگان علاقهمند برای درک تاریخچه جامع به طور عمده باید بر روی آثار منتشرشده در پس از سالهای 1990 توجه داشته باشند.
4. روششناسی تحقیق و مدلسازی
این تحقیق از آنجا که مورد نیاز صنایع تولیدی دنیای خودروسازی میباشد یک تحقیق کاربردیتوسعهای است و در صورت استقبال صاحبان صنایع و با در نظر گرفتن معیارهای صنعت مد نظر ایشان میتواند یک تحقیق عملی نیز باشد. تحقیق حاضر در نظر دارد به ارزیابی عملکرد FMS شرکتهای تولیدکننده بلوک سیلندر خودرو تیبا با استفاده از مدلسازی DEA و رتبهبندی این نوع سیستمها با روش BWM بپردازد.
شناسایی کامل ورودیها و خروجیهای FMS به دلیل اینکه شاخصهای عملکردی در این سیستمها پیچیده هستند، سخت و همچنین اندازهگیری این معیارها نیز دشوار میباشد. برای ارزیابی عملکردی هرچه بهتر FMS، توجه به معیارها و شاخصهای جامع و تأثیرگذار در FMS ضروری میباشد. این معیارها از نظر ماهیت کمی و کیفی بوده و دادهها به صورت میدانیتوصیفی جمعآوری شدهاند. معیارهای عملکردی با استفاده از نظریه دادهبنیاد و مصاحبه با نخبگان صنعت استخراج گردیده است. تحقیقات انجامشده ما را به 24 معیار اولیه رساند. برای غربالسازی این معیارها از روش دلفی سه مرحلهای استفاده شده است. در مرحله اول با مصاحبه حضوری با 15 خبره علم مهندسی صنایع، مکانیک، معدن، صنایع چوب و کاغذ، کارآفرینی و صنعت تولید، ورودی و خروجی بودن معیارها و میزان اهمیت آنها مورد بررسی قرار گرفت. در مرحله دوم و پس از حدود 15 روز مجدداً نظرات خبرگان اخذ گردید و تعدادی از این معیارهای کم تأثیرتر حذف گردید که جدول 1 بیانگر معیارهای اولیه و معیارهای حذف گردیده میباشد. این کار دوباره در زمان سوم که تقریباً صرف زمان حدود 15 روز دیگر بود انجام شد و نظرات خبرگان منجر به حصول 15 معیار با اعتبار بیشتر شد. جدول 2 بیانگر معیارهای نهایی، میانگین میزان اهمیت هر معیار و ورودی و خروجی بودن معیارها مطابق نظر خبرگان میباشد.
[1] 1- Analytical Hierarchy process
[2] Weighted Average Value -1
[3] Reconfigurable Manufacturing Systems -1
[5] 2-Assurance Region
- Network Data Envelopment Analysis
جدول 1: معیارهای اولیه شناساییشده تشکیلدهنده FMS
ردیف | معیارهای اولیه شناساییشده | مراحل دلفی سهمرحلهای | ردیف | معیارهای تاثیرگذارتر نسبت به مرحله اول | مراحل دلفی سهمرحلهای |
1 | میزان سرعت تولید در هر مرحله | مـــرحـــلـــه اول | 1 | میزان سرعت تولید در هر مرحله | مـــرحـــلـــه دوم |
2 | میزان خودکار بودن | 2 | میزان خودکار بودن | ||
3 | پیوستگی ایستگاه کاری | 3 | مدرن بودن تجهیزات | ||
4 | سیستم ذخیره مواد و محصولات | 4 | نوع قطعات تولیدی | ||
5 | مدرن بودن تجهیزات | 5 | نظارت بر عملکرد سیستم و گزارشگیری | ||
6 | نوع قطعات تولیدی | 6 | سرمایهگذاری | ||
7 | نظارت بر عملکرد سیستم و گزارشگیری | 7 | زمان تولید | ||
8 | سرمایهگذاری | 8 | طرحریزی خطوط تولیدی | ||
9 | زمان تولید | 9 | وجود کارگران چندمهارته | ||
10 | طرحریزی خطوط تولید | 10 | گردش خودکار قطعهکار در خط تولید | ||
11 | بارگیری و تخلیه قطعات | 11 | تولید در دستههای کوچکتر | ||
12 | شرایط اقتصادی کسب و کار | 12 | میزان ارتباط و دخالت انسان | ||
13 | وجود کارگران چندمهارته | 13 | خودکار بودن بازرسی | ||
14 | گردش خودکار قطعه کار در خط تولید | 14 | سلول ساخت | ||
15 | تولید در دستههای کوچکتر | 15 | فناوری گروهی | ||
16 | میزان ارتباط و دخالت انسان | 16 | سیستم نرمافزار | ||
17 | خودکار بودن بازرسی | 17 | سیستم سختافزار و عملکرد عمومی | ||
18 | سلول ساخت | 18 | کیفیت قطعات تولیدشده | ||
19 | فناوری گروهی | ||||
20 | ابزارهای برش و مدیریت ابزار | ||||
21 | سیستم نرمافزار | ||||
22 | سیستم سختافزار و عملکرد عمومی | ||||
23 | کیفیت قطعات تولیدشده | ||||
24 | فضای مورد نیاز |
جدول 2: معیارهای نهایی تشکیلدهنده FMS
ردیف | معیار | میانگین میزان اهمیت هر معیار | ورودی/خروجی |
1 | میزان سرعت تولید در هر مرحله | 4/7 | خروجی |
2 | مدرن بودن تجهیزات | 667/7 | ورودی |
3 | نوع قطعات تولیدی | 867/5 | خروجی |
4 | نظارت بر عملکرد سیستم و گزارشگیری | 667/7 | خروجی |
5 | سرمایهگذاری | 267/7 | ورودی |
6 | زمان تولید | 132/7 | خروجی |
7 | طرحریزی خطوط تولیدی | 267/7 | ورودی |
8 | وجود کارگران چندمهارته | 067/7 | ورودی |
9 | گردش خودکار قطعه کار در خط تولید | 6/7 | ورودی |
10 | تولید در دستههای کوچکتر | 832/6 | خروجی |
11 | میزان ارتباط و دخالت انسان | 732/7 | ورودی |
12 | خودکار بودن بازرسی | 132/7 | ورودی |
13 | سلول ساخت | 067/7 | ورودی |
14 | فناوری گروهی | 667/6 | ورودی |
15 | کیفیت قطعات تولیدشده | 10 | خروجی |
پس از بدست آوردن معیارهای FMS نسبت به تطابق معیارها با FMS خطوط مورد مطالعاتی که 20 خط تولید ساخت بلوک سیلندر خودرو تیبا میباشد اقدام گردید. ورودی و خروجی بودن معیارهای نهایی با نظر خواهی از خبرگان دانشگاهی تعیین گردید که ورودی و خروجی بودن هر یک از معیارها در جدول 2 آورده شد. پس از مشخصشدن ورودی و خروجی بودن معیارها، نسبت به تطابق معیارها در دنیای واقعی و با خطوط تولید ساخت بلوک سیلندر خودرو تیبا اقدام گردید و با مشاهدات میدانی و با نظر خواهی از خبرگان در صنعت و مسئولین ذیربط و آگاه در این خطوط تولید، مشخص شد که یک سری از ورودیها، منجر به تولید خروجیهایی میشود که خروجیهای نهایی سیستم نیستند، بلکه این خروجیها، دادههایی میانی محسوب شده و به عنوان ورودیهای مرحله دوم به کار میروند و منجر به تولید خروجیهای نهایی میگردند. پس ساختار مناسب جهت ارزیابی عملکرد FMS این خطوط تولید، یک ساختار شبکهای دومرحلهای میباشد. مرحله اول میزان انجام کار صورتگرفته در خط تولید و مرحله دوم میزان دستیابی به هدف FMS تعریفشده در خط تولید را نشان میدهد. در واقع این ساختار را میتوان به صورت شکل 3 نشان داد.
به طور خلاصه میتوان گفت با «معیارهای خروجی از بعد کارایی» به دنبال بالاترین کمیت به منظور استفاده بهینه از منابع و با «معیارهای خروجی از بعد اثربخشی» به دنبال بالاترین کیفیت به منظور جلب رضایت مشتری هستیم.
شکل 4، شکل شماتیک این ساختار میباشد که در آن X، Z، Y1 و Y2 به ترتیب بیانگر معیارهای ورودی، معیارهای میانی، معیارهای خروجی با بعد کارایی و معیارهای خروجی با بعد اثربخشی میباشد و S1، S21 و S22 به ترتیب اشاره به فضای بسترسازی تولید، کمیت تولید و کیفیت تولید دارد و α سهمی است که در کمیت تولید نقش دارد و 1 – α سهمی است که در کیفیت تولید نقش دارد.
شکل 3: ساختار شبکهای خطوط تولید بلوک سیلندر خودرو تیبا جهت ارزیابی عملکرد FMS
αZ Y1
X Z
(1- α)Z Y2
شکل 4: ساختار شماتیک شبکهای خطوط تولید مورد مطالعه جهت ارزیابی عملکرد FMS
حال برای محاسبه کارایی FMS خطوط ساخت بلوک سیلندر تیبا، مدل 1 را با توجه به ساختار دومرحلهای FMS این خطوط بازنویسی و مدل 2 را تدوین میکنیم.
Max θa = Max 
s.t.
≤ 1 , j = 1, 2, 3, …, n
1 , j = 1, 2, 3, …, n (2)
1 , j = 1, 2, 3, …, n
(u1, u2, v, w) ≥ 1ε
0 ≤ α
در مدل 2، y1 معیارهای خروجی از بعد کارایی، y2 معیارهای خروجی از بعد اثربخشی، zp معیارهای میانی، xp معیارهای ورودی می باشد و u1، u2، w و v به ترتیب وزن هر یک از این دادهها میباشد. هدف ما ماکسیمم کردن بهینگی میباشد و در جهت سهولت در حل، فرم خطی مدل 2 را به صورت مدل 3 مینویسیم.
s.t
wZj – vXj ≤ 0 , j = 1, 2, 3, …, n
, j = 1, 2, 3, …,n (3)
≤ 0 , j = 1, 2, 3, …, n
u1, u2, v, w ≥ 1ε
0 ≤ α
و با استفاده از تغییر متغیر زیر، مدل را بازنویسی میکنیم.
Wt . αt = 
0 ≤ 
≤ 1 
0 ≤ Wt . αt ≤ wt 0 ≤ ≤ wt
و مدل 4 را بدست میآوریم.
s.t
wZj – vXj ≤ 0 , j = 1, 2, 3, …, n
, j = 1, 2, 3, …,n (4)
≤ 0 , j = 1, 2, 3, …, n
u1, u2, v, w ≥ 1ε
0
از آنجا که میخواهیم محدودیتها روی مختصات نقطه الگو قرار گیرد فرم پوششی مدل 4 را با فرض اینکه وزنها در مدل 4 نامنفی هستند را نوشته و مدل 5 را بدست میآوریم.
Min 
s.t
θXp 
≥ 0
محدودیت مربوط به معیارهای «ورودی»
محدودیت مربوط به معیارهای «میانی»
(5) محدودیت مربوط به «تغییر متغیر»
محدودیت مربوط به معیارهای «خروجی از بعد کارایی»
محدودیت مربوط به معیارهای «خروجی ازبعد اثربخشی»
, 
, 
, µt ≥ 0
حال دو محدودیت مربوط به معیارهای «میانی» و «تغییر متغیر» را ادغام کرده و مدل نهایی ساختار شبکهای دومرحلهای خطوط تولید بلوک سیلندر تیبا مطابق مدل 6 را بیان میکنیم و محدودیتهای تأثیرگذار در FMS را نیز میآوریم که شامل 26 محدودیت میباشد که 10 محدودیت مربوط به شاخصهای کمی و 16 محدودیت مربوط به شاخصهای کیفی هستند که در جدول 3 به تشریح هر یک از این محدودیتها میپردازیم.
Min 
s.t
(1)
(2)
(3)
(4)
(5)
(6)
(7) (6) 
(8)
(9)
(10)
(11)
(12)
(13)
(14)
(15)
(16) (6)
(17)
(18)
(19)
(20)
(21)
(22)
(23)
(24)
(25)
(26)
(27)
(28)
(29)
(30)
, , , µt ≥ 0
با این مدل ریاضی میتوان به ارزیابی علمی کارایی FMS خطوط تولید بلوک سیلندر پرداخت. 
نمایانگر کارایی کل DMUها توسط مدل تحلیل پوششی دادهها است. اگر = 1 باشد آنگاه DMUها کارا و اگر باشد، در این صورتDMUها ناکارا میباشند. در بخش بعد مدل توسعهیافته را با یک مثال کاربردی اجرا نموده و به تجزیه و تحلیل آماری نتایج حاصل از ارزیابی عملکرد خطوط FMS مورد مطالعاتی میپردازیم. در این مدل jλها سهم هر DMUj در محاسبه کارایی DMUP را نشان میدهند. این jλها در مجموعه مراجع (1RS) هستند که برای بهتر و کارا شدن میتوان از اعضا این مجموعه مراجع الگوبرداری کرد و به صورت زیر تعریف میشوند.
= {DMUj │ 
˃ 0 in model 6 { DMUp مجموعه مرجع مرحله اول
= {DMUj │ 
˃ 0 in model 6} DMUp مجموعه مرجع مرحله دوم
= {DMUj │ 
˃ 0 in model 6} DMUp مجموعه مرجع مرحله سوم
[1] 1-Reference Set
جدول 3: شرح محدودیتهای مدل تحقیق
شماره محدودیت | شرح محدودیت | نوع محدودیت |
1 | این محدودیت مربوط به معیارهای ورودی میباشد. | - |
2 | این محدودیت مربوط به معیارهای خروجی از بعد کارایی میباشد. | - |
3 | این محدودیت مربوط به معیارهای خروجی از بعد اثربخشی میباشد. | - |
4 | این محدودیت مربوط به معیارهای میانی میباشد. | - |
5 | این محدودیت اشاره به سال ساخت تجهیزات داشته و از آنجا که بحث FMS در پس از سال 1960 بیان شد این محدودیت را بزرگتر یا برابر 1960 میلادی در نظر گرفتیم. | کمی |
6 | این محدودیت اشاره به سال خرید تجهیزات دارد که خریداری تجهیزات همان سال ساخت یا بعد از سال ساخت تجهیزات میباشد. | کمی |
7 | این محدودیت اشاره به سال شروع به کار تجهیزات دارد که شروع به کار تجهیزات همان سال خرید یا بعد از سال خرید تجهیزات میباشد. | کمی |
8 | این محدودیت بیانگر تعداد کارگران میباشد که تعداد کل کارگران بیشتر یا برابر تعداد کاگران چندمهارته آن شرکت میباشد. | کمی |
9 | این دو محدودیت اشاره به توانایی ایجاد کارگاههای کوچک در کارخانه مادر دارد و این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
10 | ||
11 | این دو محدودیت میزان دخالت مستقیم اپراتورها در فرآیند ساخت را نشان میدهد و این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
12 | ||
13 | این محدودیت به تنوع محصول اشاره دارد که حداقل یک نوع محصول در خطوط تولید مورد مطالعه تولید میشود. | کمی |
14 | این محدودیت بیانگر این است که تعداد محصولات تولیدشده از تعدد تنوع محصولات بزرگتر یا برابر میباشد. | کمی |
15 | این محدودیت به تعداد دستگاههای موجود در خط تولید اشاره دارد که حداقل یک دستگاه در خط تولید وجود دارد. | کمی |
16 | این محدودیت به این موضوع اشاره دارد که تعداد دستگاههای اتوماتیک در خط تولید برابر یا کمتر از تعداد دستگاههای موجود است. | کمی |
17 | این دو محدودیت میزان گردش خودکار قطعه کار در خط تولید را نشان میدهد که این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
18 | ||
19 | این دو محدودیت اشاره به میزان بازرسی قطعات بدون دخالت اپراتور دارد که این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
20 | ||
21 | این دو محدودیت اشاره به توانایی ساخت بلوک سیلندرهای خودروهای غیر از خودرو تیبا دارد و این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
22 | ||
23 | این محدودیت اشاره به این دارد که در خط تولید فعلی حداقل یک نوع قطعه در حال ساخت میباشد. | کمی |
24 | این دو محدودیت بیانگر میزان نظارت بر عملکرد و گزارشگیری از سیستم میباشد که این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
25 | ||
26 | این محدودیت بیانگر این است که در هر بستهبندی آمادهشده قطعات جهت خروج از کارخانه حداقل یک قطعه ساختهشده وجود دارد. | کمی |
27 | این دو محدودیت بیانگر میزان انعطافپذیری در حجم بستهبندی قطعات جهت خروج از کارخانه از لحاظ تعداد قطعات ساختهشده میباشد. این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
28 | ||
29 | این دو محدودیت بیانگر کیفیت قطعات تولیدشده میباشد و این محدودیتها با توجه به مقیاس لیکرت با 7 درجه آزادی تعریف شدهاند. | کیفی |
30 |
محدودیتهای شماره 1 تا 4 جدول 3 حالت کلی محدودیتهای مربوط به معیارهای ورودی، میانی و خروجی میباشد و در هر یک از آنها صدق میکند ولی محدودیتهای شماره 5 تا 30 فقط به محدودیت معیار مختص به خود صدق میکند. برای درک بهتر این ساختار هر یک از معیارها تعریف شده است.
معیارهای ورودی:
●«مدرن بودن تجهیزات» اشاره به سه شاخص سال ساخت، سال خرید و سال شروع به کار تجهیزات در خط FMS دارد که به ترتیب با X1j، X2j و X3j نشان داده میشود که همگی دادههای کمی میباشند.
●«سرمایهگذاری» اشاره به هزینه راهاندازی خط FMS دارد که با x4j نشان داده میشود و یک داده کمی میباشد.
●«وجود کارگران چندمهارته» اشاره به دو شاخص تعداد کل کارگران و تعداد کارگران چندمهارته دارد که به ترتیب با X5j و X6j نشان داده میشود و هر دو جز دادههای کمی میباشند.
معیارهای میانی:
●«سلول ساخت» اشاره به توانایی ایجاد کارگاههای کوچک در مواقع ضروری در کارخانه اصلی دارد که با Z1j نشان داده میشود و یک داده کیفی میباشد.
●«میزان ارتباط و دخالت انسان» اشاره به میزان دخالت مستقیم اپراتور در تولید قطعه دارد و با Z2j نشان داده میشود و یک داده کیفی میباشد.
●«طرحریزی خطوط تولید» اشاره به تنوع و تعداد محصول دارد و به ترتیب با Z3j و Z4j نشان داده میشود و هر دو جز دادههای کمی میباشند.
●«گردش خودکار قطعه» اشاره به تعداد دستگاههای موجود، تعداد دستگاههای اتوماتیک و میزان گردش خودکار قطعه بین تجهیزات دارد که به ترتیب با Z5j، Z6j و Z7j نشان داده میشود و Z5j و Z6j جز دادههای کمی و Z7j جز دادههای کیفی میباشند.
●«خودکار بودن بازرسی» اشاره به بازرسی قطعه بدون دخالت اپراتور دارد و با Z8j نشان داده میشود و یک داده کیفی میباشد.
●«فناوری گروهی» اشاره به توانایی در ساخت بلوک سیلندرهای خودروهای دیگر با تجهیزات موجود دارد و با Z9j نشان داده میشود و یک داده کیفی میباشد.
معیارهای خروجی از بعد کارایی:
●«میزان سرعت تولید در هر مرحله» اشاره به میزان زمان ساخت قطعه در خط تولید دارد و با 
نشان داده میشود و یک داده کمی میباشد.
●«نوع قطعات تولیدی» اشاره به این دارد که در حال حاضر با این خط تولید چند نوع قطعه ساخته میشود و با 
نشان داده میشود و یک داده کمی میباشد.
●«زمان تولید» اشاره به تعداد تولید در طول شیفت کاری روزانه دارد و با 
نشان داده میشود و یک داده کمی میباشد.
معیارهای خروجی از بعد اثربخشی:
●«نظارت بر عملکرد سیستم و گزارشگیری» بیانگر میزان نظارت بر FMS بوده و با 
نشان داده میشود و یک داده کیفی است.
●«تولید در دستههای کوچکتر» اشاره به دو شاخص تعداد کالا در هر بستهبندی و میزان انعطافپذیری در تعداد بستهبندی دارد و به ترتیب با 
و 
نشان داده میشود و یک داده کمی و یک داده کیفی میباشد.
●«کیفیت قطعات تولیدشده» اشاره به کیفیت قطعه پس از تولید دارد و با 
نشان داده میشود و یک داده کیفی میباشد.
لازم به ذکر است برای جمعآوری دادههای کیفی از مقیاس لیکرت با 7 درجه آزادی استفاده شده است.
4. تحلیل دادهها
مدل 6 را در نرمافزار گمز برنامهنویسی کرده و با استفاده از دادههای جمعآوریشده اجرا میشود. برای جمعآوری دادههای کمی و کیفی با مسئولین ذیربط و آگاه به خطوط تولید مورد مطالعه مصاحبه و هر یک از معیارها برای ایشان شرح داده شد و سپس داده مربوط به هر از معیارها از ایشان اخذ گردید. دادههای مربوط به معیارهای ورودی که شامل سال ساخت، سال خرید و سال شروع به کار تجهیزات، میزان سرمایهگذاری، تعداد کل کارگران و همچنین تعداد کارگران چندمهارته میباشد در جدول 4 آورده شده است. جدول 5 حاوی دادههای مربوط به معیارهای میانی که شامل سلول ساخت، میزان ارتباط و دخالت انسان، تنوع و تعداد محصولات تولیدشده، تعداد کل دستگاههای موجود و دستگاههای اتوماتیک، میزان گردش خودکار، میزان خودکار بودن بازرسی و میزان فناوری گروهی میباشد. همانطور که قبلاً ذکر گردید معیارهای سلول ساخت، میزان ارتباط و دخالت انسان، میزان گردش خودکار قطعهکار بین تجهیزات، خودکار بودن بازرسی و فناوری گروهی، دادههای کیفی بوده و بنا بر وضعیت موجود در خط تولید به آنها اعداد 1 تا 7 اختصاص داده شده است. دادههای مربوط به معیارهای خروجی با بعد کارایی شامل میزان سرعت تولید در هر مرحله، نوع قطعات تولیدی و زمان تولید میباشد که در جدول 6 آورده شده است. جدول 7 شامل دادههای مربوط به معیارهای خروجی با بعد اثربخشی شامل نظارت بر عملکرد سیستم و گزارشگیری، تعداد کالا در هربستهبندی، میزان انعطافپذیری در تعداد بستهبندی و کیفیت قطعات تولیدشده میباشد. از آنجا که معیارهای نظارت بر عملکرد سیستم و گزارشگیری، میزان انعطافپذیری در تعداد بستهبندی و کیفیت قطعات تولیدشده، دادههای کیفی میباشد، بسته به شرایط موجود تولیدکنندهها به این معیارها اعداد 1 تا 7 تخصیص داده شده است. با اجرای مدل در نرمافزار گمز با دادههای گردآوریشده، میزان عملکرد FMS هر یک از تولیدکنندهها بدست میآید. میزان عملکرد در جدول 8 بیان میگردد.
جدول 4: دادههای معیارهای ورودی
معیارهای ورودی | ||||||
شماره تولیدکننده | دادههای ورودی | |||||
مدرن بودن تجهیزات (میلادی) | سرمایهگذاری (تومان) | وجود کارگران چندمهارته (نفر) | ||||
سال ساخت | سال خرید | سال شروع به کار | تعداد کل کارگران | تعداد کارگران چندمهارته | ||
1 | 1999 | 1999 | 1999 | 195375000000 | 52 | 10 |
2 | 1999 | 2004 | 2004 | 187131000000 | 11 | 7 |
3 | 2004 | 2005 | 2005 | 27500000000 | 86 | 26 |
4 | 2002 | 2004 | 2005 | 71281000000 | 80 | 15 |
5 | 1999 | 2002 | 2002 | 91262000000 | 54 | 18 |
6 | 2002 | 2002 | 2005 | 164902000000 | 84 | 23 |
7 | 2000 | 2000 | 2001 | 151231000000 | 38 | 17 |
8 | 2001 | 2003 | 2004 | 152870000000 | 86 | 22 |
9 | 1999 | 1999 | 2001 | 193793000000 | 80 | 23 |
10 | 2000 | 2004 | 2005 | 154362000000 | 36 | 17 |
11 | 1999 | 1999 | 2002 | 176392000000 | 68 | 10 |
12 | 2001 | 2001 | 2002 | 64584000000 | 73 | 23 |
13 | 1999 | 1999 | 2003 | 27528000000 | 64 | 18 |
14 | 2003 | 2003 | 2005 | 33821000000 | 48 | 9 |
15 | 2001 | 2005 | 2005 | 82188000000 | 65 | 7 |
16 | 1999 | 1999 | 2003 | 170237000000 | 19 | 18 |
17 | 2001 | 2004 | 2004 | 55472000000 | 48 | 20 |
18 | 1999 | 1999 | 2001 | 186195000000 | 28 | 21 |
19 | 2000 | 2004 | 2005 | 177850000000 | 34 | 17 |
20 | 2000 | 2000 | 2004 | 175750000000 | 86 | 10 |
جدول 5: دادههای معیارهای میانی
معیارهای میانی | |||||||||
شماره تولیدکننده | دادههای میانی | ||||||||
سلول ساخت | میزان ارتباط و دخالت انسان | طرحریزی خطوط تولید | گردش خودکار قطعه | خودکاربودن بازرسی | فناوری گروهی | ||||
تنوع محصول | تعداد محصول | تعداد دستگاههای موجود | تعداد دستگاههای اتوماتیک | میزان گردش خودکار | |||||
1 | 5 | 4 | 14 | 400 | 25 | 20 | 1 | 1 | 6 |
2 | 1 | 1 | 5 | 800 | 75 | 75 | 7 | 4 | 7 |
3 | 7 | 6 | 9 | 360 | 42 | 12 | 4 | 1 | 7 |
4 | 4 | 6 | 4 | 100 | 52 | 37 | 1 | 4 | 7 |
5 | 2 | 4 | 13 | 101 | 60 | 53 | 2 | 3 | 7 |
6 | 3 | 5 | 4 | 123 | 44 | 34 | 4 | 3 | 7 |
7 | 1 | 5 | 11 | 357 | 74 | 35 | 7 | 2 | 6 |
8 | 3 | 2 | 4 | 243 | 50 | 40 | 6 | 1 | 7 |
9 | 6 | 4 | 7 | 138 | 54 | 18 | 1 | 3 | 7 |
10 | 2 | 3 | 7 | 211 | 49 | 14 | 5 | 4 | 6 |
11 | 5 | 6 | 4 | 720 | 54 | 49 | 4 | 4 | 7 |
12 | 3 | 6 | 4 | 563 | 51 | 17 | 7 | 1 | 6 |
13 | 5 | 5 | 7 | 146 | 65 | 35 | 5 | 4 | 7 |
14 | 3 | 4 | 10 | 790 | 61 | 50 | 2 | 3 | 7 |
15 | 7 | 3 | 8 | 408 | 45 | 28 | 7 | 2 | 6 |
16 | 7 | 2 | 4 | 444 | 45 | 42 | 3 | 3 | 6 |
17 | 3 | 2 | 4 | 798 | 67 | 35 | 1 | 1 | 7 |
18 | 5 | 6 | 5 | 665 | 44 | 14 | 6 | 1 | 7 |
19 | 1 | 3 | 7 | 212 | 50 | 15 | 4 | 4 | 6 |
20 | 2 | 6 | 8 | 247 | 73 | 51 | 2 | 2 | 7 |
جدول 6: دادههای معیارهای خروجی با بعد کارایی
معیارهای خروجی با بعد کارایی | |||
شماره تولیدکننده | دادههای خروجی با بعد کارایی | ||
میزان سرعت تولید در هر مرحله (ثانیه) | نوع قطعات تولیدی | زمان تولید (تعداد در 24 ساعت) | |
1 | 120 | 3 | 170 |
2 | 90 | 1 | 960 |
3 | 59 | 1 | 604 |
4 | 120 | 1 | 720 |
5 | 118 | 3 | 563 |
6 | 61 | 1 | 478 |
7 | 95 | 3 | 555 |
8 | 117 | 1 | 633 |
9 | 66 | 3 | 859 |
10 | 116 | 2 | 188 |
11 | 100 | 2 | 245 |
12 | 66 | 1 | 178 |
13 | 89 | 2 | 656 |
14 | 79 | 1 | 172 |
15 | 101 | 2 | 170 |
16 | 110 | 3 | 548 |
17 | 87 | 1 | 278 |
18 | 63 | 2 | 412 |
19 | 95 | 2 | 931 |
20 | 93 | 1 | 830 |
جدول 7: دادههای معیارهای خروجی با بعد اثربخشی
معیارهای خروجی با بعد اثربخشی | ||||
شماره تولیدکننده | دادههای خروجی با بعد اثربخشی | |||
نظارت بر عملکرد سیستم و گزارشگیری | تولید در دستههای کوچکتر | کیفیت قطعات تولیدشده | ||
تعداد کالا در هر بستهبندی | میزان انعطافپذیری در تعداد بستهبندی | |||
1 | 3 | 60 | 7 | 7 |
2 | 7 | 48 | 4 | 3 |
3 | 6 | 16 | 5 | 5 |
4 | 4 | 48 | 4 | 6 |
5 | 3 | 57 | 7 | 6 |
6 | 3 | 31 | 7 | 6 |
7 | 3 | 46 | 5 | 6 |
8 | 7 | 16 | 5 | 7 |
9 | 3 | 44 | 7 | 7 |
10 | 3 | 60 | 5 | 6 |
11 | 6 | 52 | 4 | 4 |
12 | 5 | 59 | 7 | 6 |
13 | 7 | 30 | 5 | 4 |
14 | 5 | 57 | 5 | 3 |
15 | 4 | 33 | 4 | 7 |
16 | 7 | 60 | 4 | 4 |
17 | 3 | 60 | 7 | 7 |
18 | 7 | 48 | 4 | 3 |
19 | 6 | 16 | 5 | 5 |
20 | 4 | 48 | 4 | 6 |
جدول 8: میزان عملکرد تولیدکنندهها
شماره تولیدکننده | میزان عملکرد تولیدکننده |
1 | 1 |
2 | 1 |
3 | 978154/0 |
4 | 979021/0 |
5 | 980549/0 |
6 | 979021/0 |
7 | 980736/0 |
8 | 97951/0 |
9 | 1 |
10 | 98/0 |
11 | 98049/0 |
12 | 979513/0 |
13 | 98049/0 |
14 | 978532/0 |
15 | 97951/0 |
16 | 1 |
17 | 97951/0 |
18 | 980502/0 |
19 | 98/0 |
20 | 98/0 |
همانطور که از جدول 8 مشخص است فقط تولیدکنندههای شماره 1، 2، 9 و 16 کارا هستند و مابقی تولیدکنندهها ناکارا هستند.
در انتها با روش BWM، FMS هر یک از خطوط تولید کارا بلوک سیلندر تیبا (تولیدکنندههای شماره 1، 2، 9 و 16) رتبهبندی میشود تا بهترین FMS مشخص شود. بر اساس روش BWM بهترین (در این تحقیق مهمترین) و بدترین (در این تحقیق کماهمیتترین) معیارها ابتدا توسط تصمیمگیرنده مشخص میشود. سپس مقایسههای زوجی بین هر یک از این دو معیار (بهترین و بدترین) و معیارهای دیگر انجام میشود. بعد یک مسئله حداکثر برای تعیین وزن معیارهای مختلف فرموله و حل میشود. وزن گزینهها با توجه به معیارهای مختلف با استفاده از همان فرآیند بدست میآید. نمرات نهایی گزینهها از طریق جمعآوری وزن از مجموعه معیارها و گزینههای مختلف حاصل میشود که بر اساس آنها بهترین گزینه انتخاب میشود [22].
بر اساس جدول 2، معیار شماره 15 «کیفیت قطعه تولیدشده» با اهمیتترین معیار و معیار شماره 3 «نوع قطعات تولیدی» کم اهمیتترین معیار میباشد. در جدول 9 بردار با اهمیتترین معیار نسبت به سایر معیارها (بردار BO) را تشکیل میدهیم. در واقع این جدول میزان ارجحیت کیفیت قطعات تولیدشده نسبت به 14 معیار دیگر نشان میدهد. در جدول 10 بردار کم اهمیتترین معیار نسبت به سایر معیارها (بردار WO) را تشکیل میدهیم. در واقع این جدول میزان ارجحیت 14 معیار را نسبت به معیار نوع قطعات تولیدی نشان میدهد. با استفاده از بردارهای BO و WO، وزن بهینه معیارها را بدست آورده و در جدول 11 میآوریم. سپس با تأثیر این اوزان در دادههای نرمالشده جداول 4، 5، 6 و 7، رتبهبندی FMS خطوط تولید به شرح جدول 12 خواهد بود. همانطور که در جدول 12 مشخص است FMS خط تولیدکننده شماره 9 دارای بالاترین رتبه و FMS خط تولیدکننده شماره 16 دارای پایینترین رتبه میباشند.
جدول 9: بردار BO
C15 | C14 | C13 | C12 | C11 | C10 | C9 | C8 | C7 | C6 | C5 | C4 | C3 | C2 | C1 | بردار BO |
1 | 5/8 | 375/7 | 25/7 | 75/5 | 5/7 | 25/6 | 375/7 | 7 | 25/7 | 7 | 5/8 | 9 | 6 | 5/6 | C15 |
جدول 10: بردار WO
C15 | C14 | C13 | C12 | C11 | C10 | C9 | C8 | C7 | C6 | C5 | C4 | C3 | C2 | C1 | بردار WO |
9 | 75/1 | 5/2 | 75/2 | 4 | 2 | 5/3 | 5/2 | 3 | 75/2 | 3 | 75/1 | 1 | 75/3 | 25/3 | C3 |
جدول 11: وزن معیارها
W15 | W14 | W13 | W12 | W11 | W10 | W9 | W8 | W7 | W6 | W5 | W4 | W3 | W2 | W1 | وزن معیارها |
306882/0 | 042139/0 | 048567/0 | 049404/0 | 062293/0 | 047758/0 | 057309/0 | 048567/0 | 051169/0 | 049404/0 | 051169/0 | 042139/0 | 028398/0 | 059697/0 | 055105/0 |
جدول 12: رتبهبندی FMS خطوط تولیدکنندههای کارا
FMS | میزان رتبهبندی با روش BWM | رتبه |
FMS1 | 071447351/0 | 2 |
FMS2 | 068336958/0 | 3 |
FMS9 | 07535226/0 | 1 |
FMS16 | 0669458/0 | 4 |
از FMS خط تولیدکننده شماره 9 به عنوان بهترین FMS خطوط تولید این 20 مورد مطالعاتی میتوان الگوگیری کرد. تجهیزات به کار گرفتهشده در این خط تولید در سال 1999 ساخته شده است و در همان سال با صرف سرمایهگذاری زیادی خریداری و در سال 2001 در شرکت راهاندازی شده است که شامل 54 دستگاه میباشد که فقط 18 دستگاه اتوماتیک میباشند. این یعنی گردش خودکار قطعه کار در دست تولید خیلی کم است. سرعت تولید در هر مرحله تولید 66 ثانیه میباشد. در زمان مطالعه این تحقیق، تولیدکننده شماره 9 سه نوع قطعه و به تعداد 859 قطعه در 24 ساعت تولید میکند. البته این خط تولید توانایی تولید 7 نوع قطعه به تعداد حدود 140 قطعه در روز را نیز دارا میباشد. تعداد کل اپراتورهای این خط تولید 80 نفر میباشند که 23 نفر از ایشان دارای چندین مهارت کاری میباشند. بلوک سینلدر ساختهشده توسط این تولیدکننده در بستههای 44 تایی بستهبندی شده و تحویل صاحبان صنعت خودروسازی میگردد. میزان انعطافپذیری در بستهبندی قطعات جهت ارسال به صاحبان صنایع خودرو از لحاظ گنجایش خیلی زیاد میباشد. میزان ارتباط و دخالت مستقیم اپراتور در FMS این خط تولید در حد متوسط و میزان خودکار بودن بازرسی نسبتاً کم میباشد. انعطافپذیری این FMS در ایجاد کارگاههای کوچک در کارخانه در موقع لزوم زیاد و همچنین فناوری گروهی در این خط تولید بسیار بالا میباشد. با وجود سرعت و حجم بالای تولید و پایش نسبتاً کم خط تولید، سیلندرهای تولیدشده این FMS از کیفیت خیلی خوبی برخوردار است.
نوع چیدمان تجهیزات کارخانه شماره 9 بسیار مشابه با نوع «گسترده در سطح کارگاه»1میباشد که یکی از انواع طرحریزی FMS میباشد. سیستم دارای چیدمانی است که بارگیری و تخلیه معمولاً در ایستگاههای پایانی قرار داده شده است. قطعات کاری از ایستگاههای کاری ماشینهای CNC، ماشینهای اندازهگیری و ایستگاههای شستشو توسط پالتهای طراحیشده به ایستگاه بعدی منتقل میشوند. مدیران ارشد این خط تولید با اتکا به تحقیقات انجامشده توسط کارشناسان FMS، تصمیم به سرمایهگذاری زیاد جهت خرید تجهیزات با تکنولوژی بالا گرفتند و طبق برآوردهای صورتگرفته، میزان تولید، تنوع تولید و قابلیت بهروزشدن خط تولید در زمان کم متناسب با تقاضای بازار، سرمایهگذاری ابتدایی هزینهشده را جبران مینموده است. همانطور که اطلاعات جمعآوریشده نیز نشان میدهد در عین حال که این خط تولید سه نوع محصول را تولید میکند، دارای بلوکهای سیلندر تولیدشده با کیفیت خوب و حجم تولید بالا نسبت به سایر خطوط تولید میباشد. در واقع برقراری ارتباط منطقی و عاقلانه بین سرمایهگذاری و صرفهجویی در زمان تولید و کیفیت مناسب محصولات تولیدشده، نتایج مثبتی برای این خط تولید دربرداشته است.
5. نتیجهگیری
یکی از چالشهای اساسی در مطالعات ارزیابی عملکرد FMS خطوط تولیدکننده قطعات خودرو، انتخاب مدل ارزیابی متناسب با معیارهای مورد نظر تصمیمگیرندگان است تا ضمن ارائه تصویری شفاف از عملکرد این واحدهای تصمیمگیری، میزان کارایی و اثربخشی اقدامات در دستیابی به اهداف راهبردی تولیدکنندگان، تأمین شود. توجه به انتخابهای اصلی ارزیابی به منظور بررسی جنبههای مختلف عملکردی و استفاده از یک مدل عملکردی، جامع و قابل اعتماد، ضرورت تعریف و طراحی مدل بهبودیافته با تمرکز بر شاخصهای جامعی از معیارهای به کاررفتهشده و همچنین استفاده نشده در تحقیقات پیشین را اجتنابناپذیر میکند.
در این پژوهش علاوه بر توجه به معیارهای مطالعهشده در ارزیابی FMS در تحقیقات پیشین، معیارها و شاخصهای عملکردی دیگری نیز شناسایی و به توسعه مدل علمی DEA پرداخته و با تطابق این معیارها با صنعت تولید قطعات خودرو به مدلی بهینه و کاربردی دست یافته شد. این مدل دارای ساختار شبکه دومرحلهای و دادههای کمی و کیفی میباشد. با توجه به نظر خبرگان مشخص شد که «کیفیت قطعه تولیدشده» با اهمیتترین معیار و «نوع قطعات تولیدی» کم اهمیتترین معیار در جهت ارزیابی FMS خطوط تولید قطعات خودرو میباشند. بنابراین با بالا بردن کیفیت قطعات یک خودرو میتوان رضایت مشتریان نهایی را تأمین و توجیهپذیری هر چه بیشتر سرمایهگذاری جهت اجرایی نمودن سیستمهای تولید انعطافپذیر در خطوط تولید را فراهم نمود. کارشناسان متخصص FMS شاغل در خطوط تولید اگر بتوانند با دلایل علمی بر مبنای اصول FMS، مدیران تصمیمگیر را متقاعد به صرف هزینه مناسب به منظور پیادهسازی سیستمهای تولید انعطافپذیر در کارخانه نمایند، مسلماً نتایج مثبت آن در آینده و با بروز تغییرات ناگزیر در صنعت خودروسازی و سفارشیسازی تولیدات خودروها قابل مشاهده خواهد بود. البته فقط توجه به سرمایهگذاری و خرید تجهیزات مدرن به تنهایی گرهگشا نیست و باید به علم طرحریزی خطوط تولید که خود مقولهای تخصصی میباشد توجه نمود. با توجه به اهمیت بهبود مستمر خطوط تولید در شرکتهای خودروسازی، رتبهبندی این خطوط امری ضروری میباشد که این امر با روش ریاضی BWM انجام شد. از آنجا که این تحقیق به مطالعه معیارهای تأثیرگذار مستقیم و درونکارخانهای بر روی FMS پرداخته است، پیشنهاد میگردد که در تحقیقات آتی به مطالعه معیارهایی که غیرمستقیم و برونکارخانهای در ارزیابی عملکرد FMS مانند شرایط اقتصادی، سیاسی و غیره که میتوانند تأثیرگذار باشند پرداخته شود. از سویی پیشنهاد میگردد شاخصهای چابکی از جمله شایستگی که در این تحقیق دیده نشده است جهت ارزیابی عملکرد FMS مورد مطالعه قرار گیرد. تطابق بسیاری از معیارهای FMS در محیط اداری خطوط تولید نیز میتواند به چابکسازی منابع انسانی کمک کند که این موضوع میتواند در پژوهشهای آینده مورد مطالعه قرار گیرد.
[1] 1-open field type
منابع
[1]آذرباد، مرتضی. حسینزاده لطفی، فرهاد. (1396). شاخص بهرهوری مالمکوئیست در شبکه و کاربرد آن برای محاسبه پیشرفت و پسرفت پژوهش دانشکدهها در یک دانشگاه. فصلنامه مدیریت بهرهوری، 11(42)، 115-147.
[2]توکلی گلپایگانی، مریم. عالمتبریز، اکبر. امیری، مقصود. موتمنی علیرضا. (1394). طراحی و تبیین مدل ارزیابی عملکرد با رویکرد تلفیقی تحلیل پوششی دادهها، تحلیل عاملی و اوزان مشترک (مطالعه موردی: صنعت بیمه). فصلنامه چشمانداز مدیریت صنعتی، 5(17)، 45-76.
[3]جهانشاهلو، غلامرضا. حسینزاده لطفی، فرهاد. نیکومرام، هاشم. (1387). تحلیل پوششی دادهها و کاربردهای آن. انتشارات آثار نفیس
عالمتبریز، اکبر. محمدرحیمی، علیرضا. (1388). رویکردهای مدیریت تولید و عملیات در ارزیابی و بهبود فرآیندهای کسب و کار. شرکت چاپ و نشر بازرگانی
[4]مهدوری، کاوه. (1397(. سیستمهای تولید انعطافپذیر. انتشارات ساپکو.
[5]میلتن برگ، جان. (1388). مدیریت راهبردی صنعتی. انتشارات مرکز تحقیق و توسعه علوم انسانی
References
[6]Bagheri, M., Ebrahimnezhad, A., Razavyan, S., Hosseinzadeh Lotfi, F. & Malekmohammadi,N. (2020). Fuzzy arithmetic DEA approach for fuzzy multi-objective transportation problem. Journal of Operational Research, https://link.springer.com/article/10.1007/s12351-020-00592-4.
[7]Bayazit, Ozden. (2004). Use of AHP in decision-making for flexible manufacturing systems. Journal of Manufacturing Technology Management, 808-819.
[8]Ebrahimi, Bohlool., Dellnitz, Andreas., Kleine, Andreas. & Tavana, Madjid. (2021). A novel method for solving data envelopment analysis problems with weak ordinal data using robust measures. Expert Systems With Applications, 164 (2021) 113835.
[9]Ebrahimi, Bohlool & Rahmani, Morteza. (2017). An improved approach to find and rank BCC-efficient DMUs in data envelopment analysis (DEA). Journal of Industrial and Systems Engineering, 25-34.
[10]Eguía, Ignacio., Villa, Gabriel. & Lozano, Sebastián. (2017, June). Efficiency assessment of Reconfigurable Manufacturing Systems. 27th International Conference on Flexible Automation and Intelligent Manufacturing, FAIM2017, 27-30 June 2017, Modena, Italy.
[11]Ertugrul Karsak, E. (2006). Using data envelopment analysis for evaluating flexible manufacturing systems in the presence of imprecise data. Int J Adv Manuf Technol, 867–874.
[12]Ertugrul Karsak, E & Kuzgunkaya, Onur. (2002). A fuzzy multiple objective programming approach for the selection of a fexible manufacturing system. Int. J. Production Economics, 101-111.
[13]Florescu, Adriana & Barabas, Sorin Adrian. (2020). Modeling and Simulation of a Flexible Manufacturing System—A Basic Component of Industry 4.0. Applied Sciences, https://www.mdpi.com/journal/applsci.
[14]Jahanshahloo, G. R., Sanei, M., Rostami-Malkhalifeh, M & Saleh, H. (2009). A comment on "A fuzzy DEA/AR approach to the selection of flexible manufacturing systems". Journal of Computers & Industrial Engineering, 1713–1714.
[15]Kapitanov, A. V. (2017). Manufacturing System Flexibility Control. International Conference on Industrial Engineering, 1470-1475.
[16]Khouja, Moutaz. (1994). THE USE OF DATA ENVELOPMENT ANALYSIS FOR TECHNOLOGY SELECTION. Computer ind, 123-132.
[17]Kianfar, K., Ahadzade Namin, M., Alam Tabriz, A., Najafi, E. & Hosseinzadeh Lotfi, F. (2018). The NDEA-MOP model in the presence of negative data using fuzzy method. Journal of SCIENTIA IRANICA, 398-409.
[18]Li, Yongjun., Chen, Yao., Liang, Liang. & Xie, Jianhui. (2012). DEA Models for Extended Two-Stage Network Structures. International Series in Operations Research & Management Science, 261-285.
[19]Liu, Shiang-Tai. (2008). A fuzzy DEA/AR approach to the selection of flexible manufacturing systems. Computers & Industrial Engineering, 66–76.
[20]Mahmood, Kashif., Karaulova, Tatjana., Otto, Tauno. & Shevtshenko, Eduard. (2017). Performance Analysis of a Flexible Manufacturing System (FMS). The 50th CIRP Conference on Manufacturing Systems, Procedia CIRP 63 ( 2017 ) 424 – 429.
[21]Peykani, Pejman., Mohammadi, Emran., Farzipoor Saen, Reza., Sadjadi, Seyed Jafar. & Rostamy-Malkhalifeh, Mohsen. (2020). Data Envelopment Analysis and Robust Optimization: A Review. Journal of Expert Systems, DOI: 10.1111/exsy.12534.
[22]Rezaei, Jafar. (2015). Best-worst multi-criteria decision-making method. Journal of Omega, 49–57.
[23]SARKI, JOSEPH & University, Clark. (1997). EVALUATING FLEXIBLE MANUFACTURING SYSTEMS ALTERNATIVES USING DATA ENVELOPMENT ANALYSIS. A Journal Devoted to the Problems of Capital Investment, 25-47.
[24]Shakouri, B., Abbasi Shureshjani, R., Daneshian, B & Hosseinzadeh Lotfi, F. (2020). A Parametric Method for Ranking Intuitionistic Fuzzy Numbers and Its Application to Solve Intuitionistic Fuzzy Network Data Envelopment Analysis Models. Journal of Hindawi, https://doi.org/10.1155/2020/6408613.
[25]Shang, Jen & Sueyoshi, Toshiyuki. (1995). A unified framework for the selection of a Flexible Manufacturing System. European Journal of Operational Research, 297-315.
[26]Shavazipour, Babooshka. (2014). Measuring Efficiency and Effectiveness for Non-Storable Commodities: A Mixed Separate Data Envelopment Analysis Spproaches with Real and Fuzzy Data. International Journal of Data Envelopment Analysis and *Operations Research, 1-11.
[27]Singh, Sanjeet. (2018). INTUITIONISTIC FUZZY DEA/AR AND ITS APPLICATION TO FLEXIBLE MANUFACTURING SYSTEMS. Journal of RAIRO Operations Research, 241-257.
[28]Shivanand, H. K., Benal, M. M. & Koti, V. (2006). Flexible Manufacturing System. New Age International Publishers.
[29]Song, Lianlian. & Liu, Fan . (2016). An improvement in DEA cross efficiency aggregation based on the Shannon entropy. Journal of INTERNATIONAL TRANSACTIONS IN OPERATIONAL RESEARCH, 1-10.
[30]Talluri, Srinivas., Whiteside, Mary M. & Seipel, Scott J. (2000). A nonparametric stochastic procedure for FMS evaluation. European Journal of Operational Research, 529–538.
[31]Toloo, Mehdi & Salahi, Maziar. (2018). A powerful discriminative approach for selecting the most efficient unit in DEA. Computers & Industrial Engineering, 269-277.
[32]Vaez, E., Najafi, S. E., Hajimolana, S. M., Hosseinzadeh Lotfi, F & Ahadzadeh Namin, M. (2021). Efficiency evaluation of a three-stage leader-follower model by data envelopment analysis with double-frontier view point. Journal of SCIENTIA IRANICA, 492-515.
[33]Wang, Meiqiang. & Li, Yongjun. (2012). A fuzzy DEA model based on weighted average value of fuzzy numbers. Journal of Society Systems Science, https://www.researchgate.net/publication/264440693.
[34]Wang, Yi-Chi., Chen, Toly., Chiang, Hsiangtsai. & Pan, Hui-Chen. (2016). A simulation analysis of part launching and order collection decisions for a flexible manufacturing system. Simulation Modelling Practice and Theory, 80-91.
[35]Wang, Ying-Ming. & Chin, Kwai-Sang. (2011). Fuzzy data envelopment analysis: A fuzzy expected value approach. Expert Systems with Applications, 11678-11685.
[36]Wang, Zhiguo., Pang, Chee Khiang. & Ng, Tsan Sheng. (2019). Robust scheduling optimization for flexible manufacturing systems with replenishment under uncertain machine failure disruptions. Control Engineering Practice, https://www.sciencedirect.com/science/article/abs/pii/S096706611930111X?via%3Dihub.
[37]Yadav, Anupma & Jayswal, S. C. (2020). Modelling of flexible manufacturing system: a review. International Journal of Production Research, https://doi.org/10.1080/00207543.2017.1387302.
[38]Zacharia, Paraskevi T. & Xidias, Elias K. (2020). AGV routing and motion planning in a flexible manufacturing system using a fuzzy-based genetic algorithm. The International Journal of Advanced Manufacturing Technology, https://doi.org/10.1007/s00170-020-05755-3.
