سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

پورعلی مال آباد, احسان, مطهری فریمانی, ناصر, مدرس, اعظم, آبداری, کیمیا. (1403). تجزیه‌و‌تحلیل و بهبود بازده خط تولید با استفاده از شبیه‌سازی درصنعت قطعات خودرو. , 14(4), 68-97. doi: 10.48308/jimp.14.4.68
احسان پورعلی مال آباد; ناصر مطهری فریمانی; اعظم مدرس; کیمیا آبداری. "تجزیه‌و‌تحلیل و بهبود بازده خط تولید با استفاده از شبیه‌سازی درصنعت قطعات خودرو". , 14, 4, 1403, 68-97. doi: 10.48308/jimp.14.4.68
پورعلی مال آباد, احسان, مطهری فریمانی, ناصر, مدرس, اعظم, آبداری, کیمیا. (1403). 'تجزیه‌و‌تحلیل و بهبود بازده خط تولید با استفاده از شبیه‌سازی درصنعت قطعات خودرو', , 14(4), pp. 68-97. doi: 10.48308/jimp.14.4.68
پورعلی مال آباد, احسان, مطهری فریمانی, ناصر, مدرس, اعظم, آبداری, کیمیا. تجزیه‌و‌تحلیل و بهبود بازده خط تولید با استفاده از شبیه‌سازی درصنعت قطعات خودرو. , 1403; 14(4): 68-97. doi: 10.48308/jimp.14.4.68

تجزیه‌و‌تحلیل و بهبود بازده خط تولید با استفاده از شبیه‌سازی درصنعت قطعات خودرو

چشم‌انداز مدیریت صنعتی
دوره 14، شماره 4 - شماره پیاپی 56، 1403، صفحه 68-97    اصل مقاله (2.04 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/jimp.14.4.68
نویسندگان
احسان پورعلی مال آباد1؛ ناصر مطهری فریمانی* 2؛ اعظم مدرس3؛ کیمیا آبداری4
1کارشناسی ارشد، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.
2دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.
3دکتری، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.
4دانشجوی کارشناسی ارشد، گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.
چکیده
مقدمه و اهداف: توجه به تولید و افزایش بهره‌وری صنایع می‌تواند ضمن تسریع در رشد و توسعه صنعتی، این روند را در مسیری اصولی و پایدار هدایت کند. ارزیابی بازده تولید و تلاش برای بهبود آن نقش کلیدی در پیشرفت و توسعه صنایع ایفا می‌کند. در این پژوهش، رویکردی نوآورانه برای ارزیابی و بهبود بازده تولید یک خط تولید ارائه شده است که از شبیه‌سازی به عنوان ابزار اصلی استفاده می‌کند. این رویکرد همچنین به بازمهندسی فرآیندهای خط تولید می‌پردازد. اهداف اصلی این تحقیق شامل شناسایی گلوگاه‌های موجود در فرآیند تولید، تحلیل مدت‌زمان چرخه تولید، ارزیابی ظرفیت بافرهای سیستم در بازه‌های زمانی مشخص، و تعیین ظرفیت بهینه منابع مورد نیاز کارخانه است.
روش: این مقاله به بررسی و مدل‌سازی یک خط تولید تمام اتوماتیک می‌پردازد و چارچوبی نظام‌مند بر پایه شبیه‌سازی گسسته پیشامد ارائه می‌دهد. فرآیند مدل‌سازی در دو مرحله انجام شده است: در مرحله اول، مدل‌سازی بدون در نظر گرفتن فعالیت‌های دوباره‌کاری و جداسازی صورت گرفته، و در مرحله دوم این جزئیات به مدل اضافه شده‌اند. در این مرحله، داده‌های واقعی جمع‌آوری‌شده از مطالعه موردی در مدل اعمال شده‌اند. برای اطمینان از صحت مدل طراحی‌شده، منطق فرآیند مدل‌سازی به‌صورت مداوم ارزیابی شده و نتایج مدل با داده‌های واقعی سیستم مقایسه شده‌اند. پس از شناسایی عوامل کاهش‌دهنده بازده خط تولید، چهار سناریوی پیشنهادی برای بهبود بازده خط تولید طراحی و در مدل شبیه‌سازی مورد بررسی قرار گرفته‌اند. همچنین، تحلیل حساسیت سناریوها و ارزیابی اثرات آن‌ها با استفاده از قابلیت‌های نرم‌افزار ارنا انجام شده است.
یافته‌ها: نتایج نشان می‌دهد که اضافه کردن جزئیاتی مانند زمان استراحت اپراتورها و زمان‌های خرابی به مدل، که موجب واقعی‌تر شدن شبیه‌سازی می‌شود، بازده خط تولید را از 80 درصد به 57 درصد کاهش داده است. همچنین، فعالیت‌های دوباره‌کاری و جداسازی نقش قابل‌توجهی در کاهش بازده ایفا کرده‌اند. در مدل بهینه، چهار سناریوی بهبود مورد بررسی قرار گرفت. در سناریوی اول، تغییر ظرفیت منابع مربوط به فعالیت‌های اصلی در یک مدل ترکیبی مورد ارزیابی قرار گرفت. این تغییرات به کاهش چشمگیر زمان انتظار موجودیت‌ها در صف فعالیت‌ها و همچنین کاهش زمان فرآیند منجر شد. در سناریوی دوم، با کاهش درصد قطعاتی که به دوباره‌کاری و جداسازی نیاز دارند، بازده خط تولید به‌طور قابل‌توجهی افزایش یافت. سناریوی سوم با هدف کمینه‌سازی زمان فرآیند از طریق تعیین مقادیر بهینه متغیرهای کنترلی تدوین شد و درنهایت، سناریوی چهارم با تمرکز بر بیشینه‌سازی بازده از طریق تعیین ظرفیت بهینه منابع انجام شد. در تمامی سناریوها، مشخص شد که افزایش تعداد منابع در فعالیت‌هایی که به‌عنوان گلوگاه شناسایی شده‌اند، با ترکیب‌های منطقی و بهینه، موجب افزایش بازده فرآیند می‌شود. علاوه بر این، تحلیل حساسیت مدل نشان داد که نتایج سناریوهای بهبود با واقعیت سیستم هم‌راستا بوده و قابلیت اجرا دارند.
 نتیجه‌گیری: یافته‌ها نشان دادند که استفاده از روش شبیه‌سازی گسسته پیشامد می‌تواند ابزاری مؤثر برای مدیران باشد تا بدون تحمل هزینه‌های جبران‌ناپذیر، تصمیمات آگاهانه‌تری در زمینه بهبود بازده تولید اتخاذ کنند. نتایج این تحقیق همچنین همخوانی قابل‌توجهی با پژوهش‌های پیشین دارد که از شبیه‌سازی گسسته پیشامد برای بهینه‌سازی فرآیندهای مختلف سازمانی استفاده کرده‌اند و تأثیر مثبت این رویکرد را بر بهبود عملکرد فرآیندها تأیید می‌کنند.
کلیدواژه‌ها
بازده تولید؛ شبیه‌سازی؛ خط تولید؛ بهره‌وری؛ خودروسازی
عنوان مقاله [English]
Analyzing and Improving Production Line Efficiency Using Simulation in the Auto Parts Industry
نویسندگان [English]
Ehsan Poorali Malabad1؛ Nasser Motahari Farimani2؛ Azam Modares3؛ Kimia Abdari4
1MSc, Department of Management, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran.
2Associate Professor, Department of Management, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran.
3PhD, Department of Management, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran.
4MSc Student, Department of Management, Faculty of Economics and Administrative Sciences, Ferdowsi University of Mashhad, Mashhad, Iran.
چکیده [English]
Introduction: Paying attention to the production and productivity of industries can accelerate industrial growth and development while guiding it on a correct and sustainable path. Evaluating production efficiency and striving to improve it play a crucial role in the progress and advancement of industries. This study proposes an innovative approach to evaluate and improve the efficiency of a production line using simulation as the primary tool and also addresses the reengineering of production line processes. The main objectives of this research include identifying bottlenecks in the production process, analyzing production cycle times, evaluating buffer capacities within specified time intervals, and determining the optimal resource capacities required in the factory.
 Methods: This research examines and models a fully automated production line and provides a systematic framework based on discrete-event simulation. The modeling process was conducted in two stages. In the first stage, rework and separation activities were excluded from consideration, while in the second stage, these details were incorporated into the model. In this phase, real data collected from a case study were applied to the model. To ensure the accuracy of the designed model, the logic of the modeled process was continuously reviewed, and the model's outputs were compared with actual system data. After identifying the factors contributing to reduced production line efficiency, four improvement scenarios were proposed and analyzed using the simulation model. Arena software was utilized to evaluate the scenarios and conduct sensitivity analyses.
Results and discussion: The results reveal that incorporating details such as operator break times and downtimes into the simulation model—bringing it closer to reality—reduced the production line efficiency from 80% to 57%. Rework and separation activities also significantly impacted the efficiency. Four improvement scenarios were designed and evaluated within the optimized model. In the first scenario, changes in resource capacities related to the main processes were thoroughly examined, leading to a significant reduction in waiting times in process queues and overall process duration. In the second scenario, reducing the percentage of parts sent to rework and separation resulted in a considerable improvement in production efficiency. The third scenario focused on minimizing process time by determining optimal control variable values, while the fourth scenario aimed to maximize efficiency by optimizing resource capacities. In all scenarios, increasing resources at bottleneck activities, through logical and balanced combinations, significantly enhanced process efficiency. Sensitivity analysis confirmed the practical applicability of the improvement scenarios in real-world conditions.
Conclusion: The findings indicate that discrete-event simulation is an effective tool for managers, enabling them to make informed decisions about improving production efficiency without incurring irreversible costs. Additionally, the results align closely with prior studies that have utilized discrete-event simulation to optimize various organizational processes, further confirming the positive impact of this approach on improving process performance.
کلیدواژه‌ها [English]
Production Efficiency, Simulation, Assembly Line, Productivity, Automotive Industry
مراجع
  1. Afshar Kazemi, M., Alborzi, M., Mahjoubravesh, S. (2012). Simulating the Production Line of Reinforcement Bars and Determining the nondominant Solutions for the Number of Cranes. Future study Management, 23(94-95), 13-26.
  2. Ajiga, D., Okeleke, P. A., Folorunsho, S. O., Ezeigweneme, C. (2024). The role of software automation in improving industrial operations and efficiency, International Journal of Engineering Research Updates, 7(1), 022–035.
  3. Akpınar, S., Bayhan, G. M. (2011). A hybrid genetic algorithm for mixed model assembly line balancing problem with parallel workstations and zoning constraints. Engineering Applications of Artificial Intelligence, 24(3), 449-457.
  4. Alam-tabriz, A., Zandieh, M., Doostmohammadi, I. (2014). Evaluating the impact of applying the theory constraints on performance indicators of the production line with a simulation approach (case study: automobile alternator production line). Industrial Management Studies, 12(35), 7-25. (in Persian).
  5. Alfaro-Pozo, R., Bautista-Valhondo, J. (2024). Impact of limiting the ergonomic risk on the economic and productive efficiency of an assembly line. International Journal of Production Research, 1-19.
  6. Amjad, A., Shah, Z. A., Ramzan, I., Khan, S. (2022). Optimizing Production Efficiency in Pakistani Shoe Manufacturing: A Simulation-Based Analysis. Pakistan Journal of Engineering and Applied Sciences, 31, 19-33.
  7. Arreola-Risa, A., Giménez-García, V. M., Martínez-Parra, J. L. (2011). Optimizing stochastic production-inventory systems: A heuristic based on simulation and regression analysis. European Journal of Operational Research, 213(1), 107-118.
  8. Ataee Gortolmesh, A., Toloie Eshlaghy, A., Pourebrahimi, A. (2020). Business Process Modeling through Hybrid Simulation Approach (Case Study: One of the Iranian Banks). Industrial Management Journal, 11(4), 600-620. (in Persian).
  9. Banks, J. (2005). Discrete event system simulation. Pearson Education India.
  10. Brazil, V., Purdy, E., Bajaj, K. (2023). Simulation as an improvement technique. Elements of Improving Quality and Safety in Healthcare.
  11. Bongomin, O., Mwasiagi, J. I., Nganyi, E. O., Nibikora, I. (2020). Improvement of garment assembly line efficiency using line balancing technique. Engineering Reports, 2(4),
  12. Coad, A., Broekel, T. (2012). Firm growth and productivity growth: evidence from a panel VAR. Applied Economics, 44(10), 1251-1269.
  13. Croce, A., Martí, J., Murtinu, S. (2013). The impact of venture capital on the productivity growth of European entrepreneurial firms:‘Screening’or ‘value added’effect?. Journal of Business Venturing, 28(4), 489-510.
  14. Cuaresma, J. C., Oberhofer, H., Vincelette, G. A. (2014). Firm growth and productivity in Belarus: New empirical evidence from the machine building industry. Journal of Comparative Economics, 42(3), 726-738.
  15. Deiranlou, M., Azadjou, F., Sajadi, S. M. (2022). A Simulation – Optimization Model of Network Failure Prone Manufacturing Systems with a Reliability-Based Maintenance and Revenue Sharing Approach. Journal of Industrial Management Perspective, 12(4), 131-158. (in Persian).
  16. Dias, P., Silva, F. J. G., Campilho, R. D. S. G., Ferreira, L. P., Santos, T. (2019). Analysis and improvement of an assembly line in the automotive industry. Procedia Manufacturing, 38, 1444-1452.
  17. Dinlersoz, E., Wolf, Z. (2024). Automation, labor share, and productivity: Plant-level evidence from US Manufacturing. Economics of Innovation and New Technology, 33(4), 604-626.
  18. Duan, C., Kee, R., Zhu, H., Sullivan, N., Zhu, L., Bian, L., ... O’Hayre, R. (2019). Highly efficient reversible protonic ceramic electrochemical cells for power generation and fuel production. Nature Energy, 4(3), 230-240.
  19. Fadaei, M., Heydari Ghare Bagh, H., Reisi, S. (2015). Enhancing Efficiency and Organizational Knowledge in Assembly Lines Using Discrete-event Simulation Techniques. Roshd-e-Fanavari, 2(42),
  20. Ghaleb, A., Heshmat, M., El-Sharief, M. A., El-Sebaie, M. G. (2019, April). Using fuzzy logic and discrete event simulation to enhance production lines performance: case study. In 2019 IEEE 6th International Conference on Industrial Engineering and Applications (ICIEA), 653-657. IEEE.
  21. Gualtieri, L., Palomba, I., Merati, F. A., Rauch, E., Vidoni, R. (2020). Design of human-centered collaborative assembly workstations for the improvement of operators’ physical ergonomics and production efficiency: A case study. Sustainability, 12(9),
  22. Gunasegaram, D. R., Farnsworth, D. J., Nguyen, T. T. (2009). Identification of critical factors affecting shrinkage porosity in permanent mold casting using numerical simulations based on design of experiments. Journal of materials processing technology, 209(3), 1209-1219.
  23. Hajian Heidary, M., Mirzaaliyan, M. (2022). Supply Chain Resilience Analysis Considering Disruption in the Natural Stone Industry Using a Discrete-Event Simulation Approach. Journal of Industrial Management Perspective, 12(4), 97-129. (in Persian).
  24. Hu, S., Chen, P., Xin, F., Xie, C. (2019). Exploring the effect of battery capacity on electric vehicle sharing programs using a simulation approach. Transportation Research Part D: Transport and Environment, 77, 164-177.
  25. (17.) Jahangiri, S., Abolghasemian, M., Ghasemi, P., Chobar, A. P. (2023). Simulation-based optimisation: analysis of the emergency department resources under COVID-19 conditions. International journal of industrial and systems engineering, 43(1), 1-19.
  26. Janeková, J., Fabianová, J., Kádárová, J. (2023). Optimization of the Automated Production Process Using Software Simulation Tools. Processes, 11(2), 509.
  27. Javidmoayed, M., Toloie Eshlaghy, A., Afshar Kazemi, M. A. (2020). Investigating the Factors Affecting Customer Satisfaction of Iranian Mobile Operators through Combined Simulation of System Dynamics - Discrete Event. Industrial Management Journal, 12(4), 672-696. (in Persian).
  28. Kamal, T., Rahman, S. M. (2024). Productivity optimization in the electronics industry using simulation-based modeling approach. International Journal of Research in Industrial Engineering, 13(2), 104-115.
  29. Kampa, A., Gołda, G., Paprocka, I. (2017). Discrete event simulation method as a tool for improvement of manufacturing systems. Computers, 6(1), 10.
  30. Kayasa, M. J., Herrmann, C. (2012). A simulation-based evaluation of selective and adaptive production systems (SAPS) supported by quality strategy in production. Procedia CIRP, 3, 14-19.
  31. Kazemi, M., Sibeveih, A., Ranjbar, M., Naji Azimi, Z., Karimi, R. (2014). Emergency Department Simulation and Ranking Its Improving Scenarios using AHP – PROMETHEE Method. Journal of Industrial Management Perspective, 3(4), 137-164. (in Persian).
  32. Khan, S., Naushad, M., Iqbal, J., Bathula, C., Sharma, G. (2022). Production and harvesting of microalgae and an efficient operational approach to biofuel production for a sustainable environment. Fuel, 311, 122543.
  33. Khatami Firouzabadi, S. M. A., Taghavi Fard, S. M. T., Sajjadi, S. K., Bamdad Soufi, J. (2018). Multi-Objective Problem of Services Assignment to Bank Clustered Customers. Journal of Industrial Management Perspective, 8(2), 85-110. (in Persian).
  34. Kim, K., Lee, J., Lee, C. (2023). Which innovation type is better for production efficiency? A comparison between product/service, process, organisational and marketing innovations using stochastic frontier and meta-frontier analysis. Technology Analysis & Strategic Management, 35(1), 59-72.
  35. Kondratiev, D. V., Osipov, A. K., Gainutdinova, E. A., Abasheva, O. V., Ostaev, G. Y. (2022). Criteria and indicators of synergistic efficiency of food industry enterprise management. In IOP Conference Series: Earth and Environmental Science, 949(1), IOP Publishing.
  36. Korkmaz, M. E., Gupta, M. K. (2023). A state of the art on simulation and modelling methods in machining: future prospects and challenges. Archives of Computational Methods in Engineering, 30(1), 161-189.
  37. Kuo, R. J., Yang, C. Y. (2011). Simulation optimization using particle swarm optimization algorithm with application to assembly line design. Applied Soft Computing, 11(1), 605-613.
  38. Liang, Y., Li, W., Wang, X., Zhou, R., Ding, H. (2022). TiO2–ZnO/Au ternary heterojunction nanocomposite: excellent antibacterial property and visible-light photocatalytic hydrogen production efficiency. Ceramics International, 48(2), 2826-2832.
  39. Lu, H., Qin, Z., Lin, S., Chen, X., Chen, B., He, B., ... Yuan, W. (2022). Large influence of atmospheric vapor pressure deficit on ecosystem production efficiency. Nature communications, 13(1),
  40. Luo, M., Fan, H., Liu, G. (2021). A target-oriented DEA model for regional construction productive efficiency improvement in China. Advanced Engineering Informatics, 47, 101208.
  41. Melman, G. J., Parlikad, A. K., Cameron, E. A. B. (2021). Balancing scarce hospital resources during the COVID-19 pandemic using discrete-event simulation. Health Care Management Science, 24(2), 356-374.
  42. Mengistu, S. B. (2022). Closing the yield gap: improving production efficiency in smallholder farms of Nile tilapia through selective breeding (Publication No. . 29877833] [Doctoral dissertation, Wageningen University and Research]. ProQuest Dissertations and Theses Global.
  43. Morais, V. R., Sousa, S., Lopes, I. D. S. (2015). Implementation of a lean six sigma project in a production line, Proceedings of the World Congress on Engineering, 2.
  44. Mortada, A., Soulhi, A. (2023). Improvement of assembly line efficiency by using Lean Manufacturing tools and line balancing techniques. Advances in Science and Technology Research Journal, 17(4), 89-109.
  45. Mosayeb motlagh, M., Azimi, P., Amiri, M. (2023). An Optimization of Multi-product Assembly Lines Using Simulation and Multi-Objective Programming Approach. Industrial Management Studies, 21(68), 75-120. (in Persian).
  46. Pereira, J., Silva, F. J. G., Bastos, J. A., Ferreira, L. P., Matias, J. C. O. (2019). Application of the A3 methodology for the improvement of an assembly line. Procedia Manufacturing, 38, 745-754.
  47. Ruane, P., Walsh, P., Cosgrove, J. (2023). Using simulation optimization to improve the performance of an automated manufacturing line. Procedia Computer Science, 217, 630-639.
  48. Sarda, A., Digalwar, A. K. (2018). Performance analysis of vehicle assembly line using discrete event simulation modelling. International Journal of Business Excellence, 14(2), 240-255.
  49. Sarvar Masouleh, M. Azizi, A. (2021). Simulation and optimization model of the Signoff units in order to increase the logistic productivity and reduce the production and quality costs: A Case Study in Saipa Automotive Company. Journal of New Researches in Mathematics, 4(7), 73-100. (in Persian).
  50. Shakoor, M., Qureshi, M. R., Jadayil, W. A., Jaber, N., Al-Nasra, M. (2021). Application of discrete event simulation for performance evaluation in private healthcare: The case of a radiology department. International Journal of Healthcare Management, 14(4), 1303-1310.
  51. Shakerin, R., Toloie Eshlaghy, A., Radfar, R. (2021). Analysis of the Service Process of Insurance Issuance System Life and Securing the Future with a Discrete Event Simulation Approach and Scenario Writing (Case study: Pasargad Insurance Company). Management Research in Iran, 24(4), 19-47. (in Persian).
  52. Simkin, A. J., López-Calcagno, P. E., Raines, C. A. (2019). Feeding the world: improving photosynthetic efficiency for sustainable crop production. Journal of Experimental Botany, 70(4), 1119-1140.
  53. Soroush, H., Sajjadi, S. M., Arabzad, S. M. (2014). Efficiency analysis and optimisation of a multi-product assembly line using simulation. International Journal of Productivity and Quality Management, 13(1), 89-104.
  54. Tavan, F., Sajadi, S. M., Movahedi Sobhani, F., Azizi, A. (2023). A Model of Simulation-Data Envelopment Analysis in Network Failure Manufacturing Systems Considering Reliability Centered Maintenance and Return of Defective Items. Journal of Industrial Management Perspective, 13(2), 119-157. (in Persian).
  55. Nižetić, S., Djilali, N., Papadopoulos, A., Rodrigues, J. J. (2019). Smart technologies for promotion of energy efficiency, utilization of sustainable resources and waste management. Journal of cleaner production, 231, 565-591.
  56. Utku, D. H. (2023). The evaluation and improvement of the production processes of an automotive industry company via simulation and optimization. Sustainability, 15(3), 2331.
  57. Vázquez-Serrano, J. I., Peimbert-García, R. E., Cárdenas-Barrón, L. E. (2021). Discrete-event simulation modeling in healthcare: A comprehensive review. International journal of environmental research and public health, 18(22),
  58. Yaghoubi, F., Azar, A., Ahmadi, P. (2017). Simulation of the Continuous Production System in the Manufacturing Plant and Comparing it with the Traditional Production System (a case Study in Salamat Sharmaceutical Factory), The Second International Conference On Industrial Management. (in Persian).
  59. Yang, H., Wu, Y., Li, G., Lin, Q., Hu, Q., Zhang, Q., ... He, C. (2019). Scalable production of efficient single-atom copper decorated carbon membranes for CO2 electroreduction to methanol. Journal of the American Chemical Society, 141(32), 12717-12723.
  60. Yang, Z. Y., Huang, K. X., Zhang, Y. R., Yang, L., Zhou, J. L., Yang, Q., Gao, F. (2023). Efficient microalgal lipid production driven by salt stress and phytohormones synergistically. Bioresource Technology, 367, 128270.
  61. Yasir, A. S. H. M., Mohamed, N. M. Z. N. (2018, March). Assembly line efficiency improvement by using WITNESS simulation software. In IOP Conference Series: Materials Science and Engineering, 319 (1), IOP Publishing.
  62. Zerwas, T., Jacobs, G., Kowalski, J., Husung, S., Gerhard, D., Rumpe, B., ... Höpfner, G. (2022). Model signatures for the integration of simulation models into system models. Systems, 10(6), 199.
  63. Zandi, P., Rahmani, M., Azimi, P. (2021). Proposing a Model for Analyzing and Improving a Service System through Queue Theory and Simulation Approach (Case: Hamedan Power Company). Journal of Industrial Management Perspective, 11(2), 67-100. (in Persian).
  64. Zülch, G., Brinkmeier, B. (1998). Simulation of activity costs for the reengineering of production systems. International journal of production economics, 56, 711-722.
آمار
تعداد مشاهده مقاله: 2,644
تعداد دریافت فایل اصل مقاله: 1,747