Συντάχθηκε 12-02-2024 11:07
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 19/02/2024 12:30
Λήξη: 19/02/2024 13:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
ΣΧΟΛΗ ΜΗΧΑΝΙΚΩΝ ΠΑΡΑΓΩΓΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ
Ονοματεπώνυμο: Πλάκας Αριστοτέλης
Αριθμός Μητρώου: 2017010130
Θέμα:
Τίτλος στα Ελληνικά: Διερεύνηση της επιρροής της θεωρίας καμπυλών μάθησης στη βελτιστοποίηση της παραγωγικής διαδικασίας
Τίτλος στα Αγγλικά: Investigating the influence of learning curve theory on production process optimization
Εξεταστική Επιτροπή:
Επιβλέπων: Ατσαλάκης Γεώργιος, Αναπληρωτής Καθηγητής
Πρώτο Μέλος: Δούμπος Μιχάλης, Καθηγητής
Δεύτερο Μέλος: Ζοπουνίδης Κων/νος, Καθηγητής
Περίληψη:
Η παρούσα διπλωματική εργασία αφορά τη διερεύνηση του ρόλου των καμπυλών μάθησης στη βελτιστοποίηση της απόδοσης και παραγωγικότητας κατασκευαστικών δραστηριοτήτων. Η θεωρία των καμπυλών μάθησης χρησιμοποιείται ευρέως στον βιομηχανικό τομέα καθώς παρέχει λύσεις σε απαιτητικές και χρονοβόρες εργασίες, όπως είναι η δημιουργία χρονοδιαγραμμάτων, η βελτιστοποίηση του κόστους, η μείωση των χρόνων παραγωγής, και η εκτίμηση μελλοντικών αποδόσεων.
Για την υλοποίηση της μελέτης, επιλέγονται πέντε μοντέλα καμπύλης μάθησης για ανάλυση, ενώ η ερευνητική μεθοδολογία της εργασίας περιλαμβάνει την εξέταση των μοντέλων χρησιμοποιώντας δεδομένα μονάδας και δεδομένα αθροιστικού μέσου όρου. Τα μοντέλα που εξετάζονται περιλαμβάνουν το ευθύγραμμο μοντέλο ή μοντέλο του Wright, το μοντέλο Stanford ‘B’, το κυβικό μοντέλο, το βαθμωτό ή τμηματικό μοντέλο και το εκθετικό μοντέλο. Η ανάλυση επικεντρώνεται στην ικανότητα των μοντέλων να προσαρμόζονται στα ιστορικά δεδομένα ολοκληρωμένων εργασιών και στη δυνατότητα τους να προβλέπουν μελλοντικές αποδόσεις. Η εφαρμογή των παραπάνω μοντέλων σε παραγωγική διαδικασία που σχετίζεται με αμυντικά συστήματα αποκάλυψε τα εξής ευρήματα. Όσο αφορά την ικανότητα των μοντέλων να προσαρμόζονται σε ιστορικά δεδομένα, τα αποτελέσματα υποδεικνύουν πως το κυβικό μοντέλο είναι πιο ακριβές κατά τη χρήση και των δυο τεχνικών απεικόνισης δεδομένων. Στη περίπτωση εξέτασης της ικανότητας των μοντέλων να προβλέπουν μελλοντικές συμπεριφορές, το τμηματικό μοντέλο ξεχώρισε με τη χρήση δεδομένων μονάδας, ενώ το ευθύγραμμο μοντέλο παρουσίασε τη καλύτερη επίδοση χρησιμοποιώντας δεδομένα αθροιστικού μέσου όρου.
Η διεξαγωγή της παρούσας έρευνας προσφέρει μια βαθύτερη κατανόηση της χρησιμότητας και αποτελεσματικότητας της εφαρμογής της θεωρίας καμπυλών μάθησης σε μια κατασκευαστική διεργασία, ενώ παράλληλα επισημαίνει τη σημασία της επιλογής του βέλτιστου μοντέλου για τη βελτιστοποίηση της παραγωγικής διαδικασίας.
Περίληψη (Αγγλικά):
This thesis delves into the significance of learning curves in optimizing the performance and productivity of construction activities. The theory of learning curves is widely used in the industrial sector as it offers solutions to demanding and time-consuming tasks, such as creating schedules, optimizing costs, reducing production times, and estimating future performances.
For the implementation of the study, five learning curve models are selected for analysis. The research methodology includes the examination of these models using unit data and cumulative average data. The models under consideration include the straight-line model or Wright's model, the Stanford 'B' model, the cubic model, the piecewise model, and the exponential model. The analysis focuses on the models' ability to adapt to historical data of completed tasks and their capability to forecast future performances. The application of the models mentioned above in a production process related to defense systems revealed the following findings: Regarding the models' ability to adapt to historical data, results suggest that the cubic model is more precise when using both data representation techniques. In examining the models' ability to predict future behaviors, the piecewise model stood out when using unit data, while the straight-line model showed the best performance when using cumulative average data.
The conduct of this research offers a deeper understanding of the usefulness and effectiveness of applying the learning curve theory to a construction process, while simultaneously highlighting the importance of choosing the optimal model for the optimization of the production process.
Ημ/νία εξέτασης: 19/02/2024
Ώρα: 12:30
Χώρος εξέτασης:
Η παρουσίαση θα γίνει με τηλεδιάσκεψη: https://tuc-gr.zoom.us/j/82617003433?pwd=ZVJoemtxa2JHYUtkYW9Nd0RpQlpzdz09
