Optimal Configuration of Manufacturing Cells for high Flexibility and Cost Reduction by Component Substitution

Holtewert, Philipp; Bauernhansl, Thomas

doi:10.1016/j.procir.2015.12.042

Cited by 7 publications

(4 citation statements)

References 30 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The algorithm runs to minimize the sum of the internal distance (Sum of Squares Within Clusters-SSE) between the data and the centroids by Equation (1). In this equation, the measure dist is the Euclidean distance given by Equation (2):…”

Section: K-meansmentioning

confidence: 99%

See 1 more Smart Citation

Anomaly Detection in Automotive Industry Using Clustering Methods—A Case Study

Guerreiro

Barchi

et al. 2021

Applied Sciences

View full text Add to dashboard Cite

In automotive industries, pricing anomalies may occur for components of different products, despite their similar physical characteristics, which raises the total production cost of the company. However, detecting such discrepancies is often neglected since it is necessary to find the problems considering the observation of thousands of pieces, which often present inconsistencies when specified by the product engineering team. In this investigation, we propose a solution for a real case study. We use as strategy a set of clustering algorithms to group components by similarity: K-Means, K-Medoids, Fuzzy C-Means (FCM), Hierarchical, Density-Based Spatial Clustering of Applications with Noise (DBSCAN), Self-Organizing Maps (SOM), Particle Swarm Optimization (PSO), Genetic Algorithm (GA) and Differential Evolution (DE). We observed that the methods could automatically perform the grouping of parts considering physical characteristics present in the material master data, allowing anomaly detection and identification, which can consequently lead to cost reduction. The computational results indicate that the Hierarchical approach presented the best performance on 1 of 6 evaluation metrics and was the second place on four others indexes, considering the Borda count method. The K-Medoids win for most metrics, but it was the second best positioned due to its bad performance regarding SI-index. By the end, this proposal allowed identify mistakes in the specification and pricing of some items in the company.

show abstract

Section: K-meansmentioning

confidence: 99%

“…These challenges are increasingly present in the industry and mainly influence a company's responsiveness, versatility, speed and adaptability to changes. Simultaneously, the industry is always looking for cost reduction [1][2][3].…”

Section: Introductionmentioning

confidence: 99%

Anomaly Detection in Automotive Industry Using Clustering Methods—A Case Study

Guerreiro

Barchi

et al. 2021

Applied Sciences

View full text Add to dashboard Cite

show abstract

“…Em seguida alocam-se os dados em cada grupo, de modo que uma determinada amostra pertencerá ao cluster ao qual ele tem a menor distância ao respectivo centroide. Terminada esta fase, recalcula-se a nova posição dos centroides, para que ele se desloque para o centro geométrico do cluster [3], seguindo a equação (1).…”

Section: A O Algoritmo K-meansunclassified

“…O sucesso no gerenciamento de suas finanças e competências está ligado diretamente à capacidade de adaptação a um mercado aberto, de livre concorrência, produtos inovadores com prazos para entregas cada vez menores, alta qualidade e flexibilidade e manutenção de preços competitivos. Estes são desafios cada vez mais presentes na indústria e que impactam principalmente na capacidade de resposta da empresa, bem como na versatilidade e adaptabilidade para mudanças na produção devido a mercados turbulentos [1].…”

Section: Introductionunclassified

Clusterização de Componentes de Indústria de Caminhões por meio de Metaheurísticas Bio-inspiradas

Guerreiro¹,

Diego²,

Martins³

et al. 2020

Anais Do 14. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-Este trabalho foi desenvolvido com o intuito de se realizar uma avaliação comparativa de performance de algoritmos de clusterização para mineração de dados. Na indústria, tais informações podem auxiliar na formação de estratégias para abertura de projetos, com o foco na redução de custos de composição dos automóveis em questão. Neste caso, a comparação é relativa aos preços de diferentes peças em um banco de dados de uma indústria automobilística, utilizando-se de métodos bio-inpirados: Evolução Diferencial (DE), Algoritmo Genético (GA) e Otimização por Enxame de Partículas para Clustering (PSOC). Como método comparativo implementou-se o K-Means. Durante esta avaliação das performances foi possível identificar que duas peças com mais de 90% de similaridade no design, peso e outras características, apresentavam diferença de preço na ordem de dez vezes. Os resultados demonstraram que os métodos bio-inspirados alcançam melhores desempenhos, superando a proposta clássica K-means, sobretudo o PSOC e o GA.

show abstract