Lead Time Prediction of Shipbuilding Production Based on Meta-heuristic Optimization within Machine Learning

Abstract

In the shipbuilding industry, each production process has a respective lead time; that is, the duration between start and finish times. Lead time is basic data that is necessary for high-efficiency production planning and systematic production management. Therefore, lead time must be accurate. However, the traditional method of lead time management is not scientific because it mostly makes the plan by calculating the average lead times derived from historical data. Therefore, to understand the complex relationship between lead time and other influencing factors, this study proposes to use machine learning (ML) algorithms, support vector machine (SVM) and artificial neural network (ANN), which are frequently applied in prediction fields. Moreover, to improve prediction accuracy, this study proposes to apply meta-heuristic algorithms to optimize the parameters of the ML models. This thesis builds hybrid models, including meta-heuristic-ANN, meta-heuristic-SVM models. In addition, this study compares models performance with each other. In searching for the ML models parameters, the results point out that the new self-organizing hierarchical particle swarm optimization (PSO) with jumping time-varying acceleration coefficients (NHPSO-JTVAC) algorithm is superior in terms of performance. More importantly, the test results demonstrate that the integrated models, based on NHPSO-JTVAC, have the smallest mean absolute percentage error (MAPE) test error in the three shipyard block process data sets, 11.79%, 16.03% and 16.45%, respectively. The results also demonstrate that the built models based on NHPSO-JTVAC can achieve further meaningful enhancements in terms of prediction accuracy. Overall, the NHPSO–JTVAC-SVM, NHPSO–JTVAC-ANN models are feasible for predicting the lead time in shipbuilding.

조선 산업에서 각 공정은 리드 타임을 가진다. 리드 타임이란 공정 시작과 종료 간에 시간으로, 고효율의 생산계획과 체계적 생산관리를 위해 매우 중요한 지표이다. 특히, 생산 계획 단계에서 정확한 리드타임 예측은 납기 준수를 위한 계획 수립을 위해 매우 중요하다. 그러나 기존의 예측 방법은 과거 데이터의 평균값을 사용했기 때문에 정확도가 매우 떨어졌다. 따라서 본 연구에서는 리드 타임과 다른 영향 요인 간의 복잡한 관계를 이해하기 위해 예측 분야에서 자주 적용되는 머신 러닝 (ML) 모델인 서포트 벡터 머신 (SVM) 및 인공 신경망 (ANN) 적용을 제안한다. 또한, 기계학습 모델 예측 정확도를 향상시키기 위해 메타 휴리스틱 알고리즘을 적용하여 모델의 파라미터를 최적화하고자 한다. 본 연구는 meta-heuristics-ANN, meta-heuristics-SVM 모델을 포함하는 하이브리드 모델을 구축한다. 더불어, 본 연구는 메타 휴리스틱 알고리즘 기반으로 최적화된 기계학습 모델의 성능을 서로 비교한다. 연구 결과를 통해, ML 모델의 파라미터를 탐색하는 과정에서 particle swam optimization (PSO)의 enhanced 버전인 NHPSO-JTVAC 알고리즘이 탐색 성능 면에서 다른 알고리즘보다 우수하다는 것을 알 수 있다. 뿐만 아니라 테스트 결과를 살펴보면 NHPSO-JTVAC에 기반한 하이브리드 모델이 조선소 세 개의 블록 공정 데이터에서 (각각 11.79%, 16.03% 및 16.45%) 가장 작은 MAPE 테스트 오차임을 알 수 있다. 이것은 NHPSO-JTVAC를 기반으로 구축된 모델이 예측 정확도 측면에서 의미 있는 향상을 더 달성할 수 있음을 보여준다. 전반적으로 NHPSO-JTVAC-SVM, NHPSO-JTVAC-ANN 모델은 조선소 블록 공정의 리드 타임을 예측하는 데 적합하다는 것을 확인할 수 있다.