Ağıllı Dəyər Axınının Xəritələşdirilməsi (Intelligent Value Stream Mapping, iVSM) istehsal və ehtiyat məlumatlarından istifadə edərək cari vəziyyətin dəyər axını xəritəsini avtomatik yaradan, sistemin fəaliyyətini KPI mühərriki vasitəsilə qiymətləndirən, istehsal və ehtiyat darboğazlarını müəyyənləşdirən və qaydalara əsaslanan qərar dəstəyi mexanizmi ilə gələcək vəziyyət xəritəsi hazırlayan istehsal təhlili çərçivəsidir. Tədqiqatda Python ilə hazırlanmış və Streamlit üzərindən istifadə olunan prototip səkkiz fəaliyyət və diaqnostika göstəricisini — Lead Time, Inventory Time, Processing Time, Value Added Ratio, Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity və Inventory Bottleneck Severity — kompleks şəkildə qiymətləndirir. Doğrulama real istehsal müəssisəsinin canlı məlumatları ilə deyil, çoxmərhələli istehsal sistemini təmsil etmək üçün yaradılmış sintetik məlumat dəsti ilə aparılmışdır.

Doğrulama ssenarisində çərçivə əl ilə KPI hesablaması və ya VSM xəritəsinin çəkilməsi tələb olunmadan cari vəziyyət xəritəsini yaratmış, proses və ehtiyat darboğazlarını müəyyənləşdirmiş və gələcək vəziyyət parametrlərini qaydalara əsasən dəyişdirmişdir. Cədvəl 4-ə görə OP2 və OP4 əməliyyatlarının dövr müddətləri %20 azaldılmışdır; Demand Fulfilment Ratio 2,0251-dən 2,1287-yə yüksəlmiş, Flow Balance Index 0,8208-dən 0,7446-ya, Process Bottleneck Severity 1,8823-dən 1,7355-ə və Inventory Bottleneck Severity 3,5996-dan 3,2139-a enmişdir. Bu nəticələr prototipin müəyyən edilmiş sintetik ssenaridə məlumat–təhlil–təkmilləşdirmə zəncirini avtomatlaşdıra bildiyini göstərir; lakin real sənaye fəaliyyəti, optimal həll və müxtəlif istehsal mühitlərinə ümumiləşdirilmə qabiliyyəti hələ sübut edilməmişdir.

Ağıllı Dəyər Axınının Xəritələşdirilməsi (iVSM) nədir?

Ağıllı Dəyər Axınının Xəritələşdirilməsi (iVSM) ənənəvi Value Stream Mapping yanaşmasını əməliyyat məlumatları, avtomatik KPI hesablanması, darboğazların diaqnostikası və qaydalara əsaslanan gələcək vəziyyətin yaradılması ilə birləşdirən məlumat əsaslı qərar dəstəyi çərçivəsidir. Tədqiqatdakı iVSM yalnız xəritə çəkmək aləti deyil; istehsal və ehtiyat məlumatlarını cari vəziyyətin təhlilindən gələcək vəziyyətin qiymətləndirilməsinə qədər vahid analitik iş axınında əlaqələndirməyi hədəfləyir.

Ənənəvi Value Stream Mapping hansı problemi həll edir?

Value Stream Mapping (VSM) istehsal sistemlərində material və informasiya axınını vahid vizual çərçivədə əks etdirən Lean Manufacturing metodudur. Cari vəziyyət xəritəsi istehsal proseslərini, ehtiyat nöqtələrini, təchizatçı və müştəri əlaqələrini, gözləmə müddətlərini və fəaliyyət göstəricilərini birlikdə görünən edir. Beləliklə, darboğazları, həddindən artıq ehtiyatları, gözləmələri və dəyər yaratmayan fəaliyyətləri müəyyənləşdirmək, daha yaxşı gələcək vəziyyət strukturu layihələndirmək mümkündür.

Tədqiqatın çıxış nöqtəsi klassik VSM-nin xeyli dərəcədə əl əməyindən asılı olmasıdır. Məlumat toplamaq birbaşa müşahidə, müsahibə, vaxtın öyrənilməsi və əl ilə ölçmə tələb edə bilər. Cari vəziyyət xəritəsi çox vaxt mütəxəssis tərəfindən hazırlanır; gələcək vəziyyət xəritəsinin layihələndirilməsi isə mütəxəssisin şərhinə və təcrübəsinə əsaslanır. İstehsal mühitləri getdikcə daha çox rəqəmsal məlumat yaratdıqca statik və əl ilə aparılan VSM yanaşması sürətlə aktuallığını itirə bilər.

Rəqəmsal VSM ilə iVSM arasında məqsəd fərqi

Rəqəmsal Value Stream Mapping yanaşmaları, xüsusən Industry 4.0 çərçivəsində IIoT, kiber-fiziki sistemlər, bulud hesablamaları və analitik infrastrukturlardan əldə edilən məlumatlardan istifadə etməklə məlumat toplama və vizuallaşdırma yükünü azaltmağı hədəfləyir. Məqalə müəlliflərinin fikrincə, mövcud ədəbiyyatda bir çox yanaşma avtomatik məlumat toplama və ya cari vəziyyətin vizuallaşdırılması sahəsində irəliləmiş olsa da, KPI qiymətləndirilməsi, imkanların aşkarlanması və xüsusilə avtomatik gələcək vəziyyətin yaradılmasını vahid çərçivədə birləşdirən həllər məhduddur.

Müəlliflərin Cədvəl 1-də apardıqları ədəbiyyat müqayisəsində təklif olunan iVSM avtomatik cari vəziyyətin yaradılması, KPI mühərriki, imkanların aşkarlanması, gələcək vəziyyətin yaradılması və inteqrasiya edilmiş çərçivə olmaqla beş istiqamətin hamısını əhatə edən yeganə sətir kimi təqdim olunur. Bu müqayisə tədqiqatın öz ədəbiyyat qiymətləndirməsidir və müstəqil sənaye standartı müqayisəsi kimi şərh edilməməlidir.

iVSM süni intellekt və ya maşın öyrənməsi modelidirmi?

Bu tədqiqatda tətbiq olunan iVSM prototipi maşın öyrənməsi və ya generativ süni intellekt modeli kimi təsvir edilmir; gələcək vəziyyətə dair qərarlar Lean prinsiplərindən törədilmiş deterministik qaydalar və evristikalar vasitəsilə hazırlanır. Müəlliflər mövcud qərar mühərrikinin riyazi optimal həllə zəmanət vermədiyini və gələcəkdə simulyasiya, yaxud optimallaşdırmaya əsaslanan üsullarla genişləndirilə biləcəyini açıq şəkildə bildirirlər.

Çərçivənin ümumi arxitekturası

iVSM iş axını məlumatların əldə edilməsi ilə başlayır və gələcək vəziyyətin yenidən qiymətləndirilməsi ilə tamamlanır. Mənbə tədqiqatda əsas ardıcıllıq belədir: Current-State VSM yaradılması, KPI Evaluation, Opportunity Detection, Improvement Rules, Future-State Generation və Future-State KPI Evaluation.

Proqram arxitekturası beş əsas funksional qatdan ibarətdir: məlumatların əldə edilməsi və ilkin emalı; cari vəziyyətin yaradılması; KPI qiymətləndirilməsi; gələcək vəziyyətin yaradılması; vizuallaşdırma və istifadəçi qarşılıqlı əlaqəsi. Python ilə hazırlanmış prototipin istifadəçi interfeysi Streamlit üzərində tətbiq edilmişdir.

Sistemə hansı məlumatlar daxil edilir?

Çərçivə iki əsas məlumat dəstindən istifadə edir. Birincisi, dəyər axını boyunca ehtiyat nöqtələrində zamana bağlı ehtiyat səviyyələrini əks etdirən inventory dataset-dir. İkincisi, istehsal proseslərinin əməliyyat xüsusiyyətlərini əks etdirən production process dataset-dir.

Mənbədə istehsal məlumat dəsti Cycle Time (CT), Changeover Time (CO), Uptime, Working Days, Overall Equipment Effectiveness (OEE) və mövcud olduqda digər əməliyyat parametrlərini əhatə edən şəkildə təsvir edilmişdir. Məlumat mənbəyi IoT sistemləri və ya CSV faylları ola bilər. Təhlildən əvvəl istehsal və ehtiyat müşahidələri eyni zaman üfüqündə istifadə oluna bilməsi üçün ilkin emaldan və zaman uyğunlaşdırılmasından keçirilir.

Cari vəziyyət xəritəsi avtomatik olaraq necə yaradılır?

Prototip istifadəçinin müəyyən etdiyi konfiqurasiya parametrləri və idxal olunmuş məlumat dəstləri əsasında cari vəziyyət VSM-sini yaradır. Tədqiqatdakı mövcud tətbiq ümumi istehsal şəbəkəsi əvəzinə ardıcıl istehsal strukturunu fərz edir:

\[ Supplier - I_1 - OP_1 - I_2 - OP_2 - \ldots - I_n - Customer \]

Burada \(OP_n\) istehsal əməliyyatını, \(I_n\) isə ehtiyat nöqtəsini bildirir. Struktur yoxlaması dəyər axınının təchizatçı ilə başlayıb müştəri ilə bitdiyini və ehtiyatla əməliyyat düyünlərinin düzgün ardıcıllıqda yerləşdiyini yoxlayır. Sonra xəritədəki hər element müvafiq istehsal və ya ehtiyat məlumatı ilə uyğunlaşdırılır.

Yaradılmış cari vəziyyət xəritəsinə təchizatçı məlumatı, ehtiyat nöqtələri, istehsal əməliyyatları, müştəri məlumatı, material axını, informasiya axını, fəaliyyət göstəriciləri və zaman xətti məlumatları daxildir.

Tədqiqatın Metodu və Nəticələri

iVSM-dəki KPI-lar nəyi ölçür?

iVSM-nin KPI sistemi iki qatlıdır: Lead Time, Inventory Time, Processing Time və Value Added Ratio ümumi Lean fəaliyyətini ölçür; Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity və Inventory Bottleneck Severity isə güc çatışmazlığını, axın balanssızlığını və proses, yaxud ehtiyat darboğazlarını avtomatik müəyyən etmək üçün istifadə olunur.

1. Lead Time

Lead Time (\(LT\)) məhsulun dəyər axını boyunca təchizatçıdan müştəriyə çatması üçün tələb olunan ümumi müddəti ifadə edir. Mənbədəki tənlik belədir:

\[ LT = PT + IT \]

Burada \(LT\) Lead Time, \(PT\) Processing Time, \(IT\) isə Inventory Time-dır. Mənbə bu tənlikdə müddətləri günlə ifadə edir.

2. Inventory Time

Hər ehtiyat nöqtəsi üçün Inventory Time aşağıdakı kimi müəyyən edilmişdir:

\[ IT_i = \frac{WIP_i \times CT_{i+1}}{24} \]

\(IT_i\) \(i\) ehtiyat nöqtəsinə aid ehtiyat müddətini; \(WIP_i\) həmin yerdəki orta work-in-process miqdarını; \(CT_{i+1}\) isə axının sonrakı mərhələsində yerləşən əməliyyatın orta dövr müddətini ifadə edir.

Ümumi Inventory Time:

\[ IT = \sum_{i=1}^{n} IT_i \]

Mənbə düsturda 24-ə bölmədən istifadə edir və nəticəni günlə ifadə edir. Bununla belə, doğrulama şəkillərindəki Cycle Time göstəriciləri saniyə ilə göstərilir. Saniyədən günə çevirmənin məlumatların ilkin emalı zamanı necə aparıldığı mətndə ətraflı izah edilmədiyindən Verianla bu çevirmə barədə əlavə fərziyyə irəli sürmür.

3. Processing Time

Processing Time dəyər axınındakı istehsal əməliyyatlarının dövr müddətlərinin cəmi kimi müəyyən edilir:

\[ PT = \sum_{j=1}^{m} CT_j \]

\(CT_j\) \(j\) istehsal prosesinin Cycle Time dəyəridir; \(m\) isə istehsal proseslərinin sayıdır. Bu göstərici materialın həqiqətən emal olunduğu məhsuldar vaxtı ifadə edir.

4. Value Added Ratio

Value Added Ratio (VAR) ümumi Lead Time-ın hansı hissəsinin məhsuldar emala sərf edildiyini ölçür:

\[ VAR(\%) = \frac{PT}{LT} \times 100 \]

VAR artdıqca ümumi müddətdə dəyər yaradan emal vaxtının payı artır. Lakin \(PT\) və \(LT\) eyni zaman vahidində qiymətləndirilməlidir.

5. Demand Fulfilment Ratio

Demand Fulfilment Ratio (DFR) sistemin müştəri tələbatını qarşılamaq gücünü ölçür:

\[ DFR = \frac{TR_{system}}{D} \]

\(TR_{system}\) sistemin throughput rate göstəricisini, \(D\) isə müştəri tələbatının sürətini ifadə edir. Mənbənin şərhinə görə \(DFR<1\) gücün tələbatı qarşılamadığını, \(DFR=1\) güclə tələbatın tam uyğunlaşdığını, \(DFR>1\) isə artıq istehsal gücünü göstərir.

6. Flow Balance Index

Flow Balance Index (FBI) dəyər axınındakı əməliyyatların throughput göstəricilərinin dəyişkənliyini əmsal formasında ölçür:

\[ FBI = \frac{\sigma_{TR}}{\mu_{TR}} \]

\(\sigma_{TR}\) əməliyyatların throughput göstəricilərinin standart kənarlaşması, \(\mu_{TR}\) isə onların orta qiymətidir. Daha aşağı FBI daha balanslı istehsal axınını, daha yüksək FBI isə proseslər arasında daha böyük balanssızlığı bildirir.

7. Process Bottleneck Severity

Hər istehsal əməliyyatının sistemin orta səviyyəsinə nisbətən nə dərəcədə məhdudiyyət yaratdığını qiymətləndirmək üçün Process Bottleneck Severity (PBS) müəyyən edilir:

\[ PBS_j = \frac{CT_j}{\overline{CT}} \]

\(\overline{CT}\) bütün istehsal proseslərinin orta Cycle Time göstəricisidir. \(PBS_j>1\) olan əməliyyat sistem ortalamasından daha yavaşdır. Ən yüksək PBS göstəricisinə malik proses əsas proses darboğazı kimi müəyyən edilir.

8. Inventory Bottleneck Severity

Inventory Bottleneck Severity (IBS) hər ehtiyat nöqtəsinin orta ehtiyat müddətinə nisbətən nisbi ağırlığını ölçür:

\[ IBS_i = \frac{IT_i}{\overline{IT}} \]

\(\overline{IT}\) ehtiyat nöqtələrinin orta Inventory Time göstəricisidir. \(IBS_i>1\) olan nöqtələr qeyri-mütənasib material yığılmasına və gözləməyə səbəb ola biləcək ehtiyat mövqeləridir. Ən yüksək IBS göstəricisi əsas ehtiyat darboğazı kimi qeyd edilir.

Təkmilləşdirmə imkanları necə aşkarlanır?

Opportunity Detection Layer dörd diaqnostik KPI-ya əsaslanır. \(DFR<1\) güc çatışmazlığı, istifadəçinin müəyyən etdiyi həddən yüksək \(FBI\) axın balanssızlığı, \(PBS>1\) proses darboğazı, \(IBS>1\) isə ehtiyat darboğazı kimi şərh olunur. Sistem həmçinin ən yüksək PBS və IBS göstəricilərinə malik mövqeləri prioritet təkmilləşdirmə namizədləri kimi qeyd edir.

Gələcək vəziyyət mühərriki qərarı necə verir?

Gələcək vəziyyət mühərrikinin məqsədi riyazi baxımdan ən yaxşı istehsal konfiqurasiyasını tapmaq deyil. Mühərrik Lean Manufacturing prinsiplərinə əsaslanan əvvəlcədən müəyyən edilmiş qərar qaydalarından istifadə edərək aşkarlanmış problemi konkret təkmilləşdirmə tədbirinə çevirir.

Bir proses üçün gələcək vəziyyətin Cycle Time göstəricisi mənbədə aşağıdakı tənliklə yenilənir:

\[ CT_{future} = CT_{current}(1-r_{CT}) \]

\(r_{CT}\) istifadəçinin müəyyən etdiyi dövr müddətinin azaldılması əmsalıdır.

Ehtiyat səviyyəsi üçün istifadə olunan gələcək vəziyyət tənliyi:

\[ WIP_{future} = WIP_{current}(1-r_{INV}) \]

\(r_{INV}\) ehtiyatın azaldılması əmsalıdır. Parametrlər dəyişdirildikdən sonra KPI mühərriki yenidən işə salınır və yaradılan gələcək vəziyyət cari vəziyyətlə eyni göstəricilər üzrə müqayisə edilir.

Doğrulama məlumat dəsti

Çərçivənin doğrulanması üçün real fabrikdən götürülmüş sahə məlumatları əvəzinə sintetik istehsal məlumat dəsti yaradılmışdır. Bu dəst aralıq ehtiyat buferləri ilə birləşdirilmiş bir neçə istehsal əməliyyatını təmsil edir. İstehsal və ehtiyat məlumatları müəyyən müşahidə dövrü üçün yaradılmış, proses dəyişkənliyi və ehtiyat balanssızlıqları çərçivənin darboğazları müəyyən etmək qabiliyyətini yoxlamaq məqsədilə qəsdən məlumat dəstinə daxil edilmişdir.

Doğrulama ssenarisində cari vəziyyət dörd istehsal əməliyyatından ibarətdir. Sistem material axınını, informasiya axınını, ehtiyat nöqtələrini, istehsal proseslərini və fəaliyyət göstəricilərini vahid VSM-də avtomatik birləşdirmişdir.

Cədvəl 4-də bildirilən cari və gələcək vəziyyət nəticələri

Cycle Time göstəricilərindəki %20 azalma darboğaz kimi seçilmiş OP2 və OP4 əməliyyatlarının gələcək vəziyyət parametrlərinin qayda mühərriki vasitəsilə dəyişdirilməsini əks etdirir. PBS-nin 1,8823-dən 1,7355-ə, IBS-nin isə 3,5996-dan 3,2139-a düşməsi mənbə ssenarisində məhdudiyyətin ağırlığının azalması istiqamətində dəyişiklikdir. FBI-nin 0,8208-dən 0,7446-ya enməsi proseslərin throughput göstəriciləri arasında nisbi dəyişkənliyin azaldığını göstərir.

DFR-nin 2,0251-dən 2,1287-yə yüksəlməsi mənbə düsturunun tərifinə görə sistemin throughput göstəricisinin müştəri tələbatına nisbətinin artması deməkdir. Bununla belə, mənbə \(DFR>1\) vəziyyətini artıq istehsal gücü kimi müəyyən edir. Buna görə də DFR-də artım kontekstdən asılı olmayaraq «hər cəhətdən daha yaxşı» sistem nəticəsi kimi qiymətləndirilməməlidir.

Mənbə şəkillərindəki ümumi axın göstəriciləri

Səhifə 20-dəki Current-State VSM-də ümumi Lead Time təxminən 0,62 gün, Inventory Time təxminən 0,61 gün, Processing Time 12,8 saniyə və Value Added Ratio %0,02 göstərilir. Future-State VSM-də bu göstəricilər müvafiq olaraq təxminən 0,45 gün, 0,45 gün, 10,5 saniyə və %0,03 kimi təqdim edilir. Bunlar mənbə şəkillərində göstərilən dəyərlərdir; ilkin məlumatlar verilmədiyi üçün Verianla tərəfindən yenidən hesablanmış nəticələr deyil.

Mənbədə qorunmalı olan rəqəmsal uyğunsuzluq

Gələcək vəziyyətin daxilolma ekranındakı nümunədə Cycle Time Reduction %20, Inventory Reduction %30 və FBI Threshold 0,20 göstərilir. Bununla yanaşı, Future-State VSM şəklində I5 ehtiyat müddəti təxminən 0,35 gün görünür. Lakin mənbənin Cədvəl 4-ündə eyni I5 göstəricisi 0,5 gündən 0,4 günə və -%20 dəyişiklik kimi təqdim edilir. Mənbə bu fərqin səbəbini izah etmir. Buna görə də iki göstəricidən biri seçilib digəri səssizcə düzəldilməməli, mənbədaxili uyğunsuzluq kimi qeyd edilməlidir.

Bu tədqiqat real fabrikin fəaliyyətini sübut edirmi?

Xeyr. Tədqiqat iVSM prototipinin funksional olaraq cari vəziyyət VSM-sini yarada, KPI-ları hesablaya, imkanları qeyd edə və sintetik istehsal məlumatları əsasında gələcək vəziyyət ssenarisi hazırlaya bildiyini göstərir; lakin tam işlək fabrikin canlı məlumatları ilə sahə doğrulaması aparılmadığından real sənaye fəaliyyəti, miqyaslana bilmə və ümumiləşdirilmə qabiliyyəti əlavə olaraq təsdiqlənməlidir.

Tədqiqatın dəstəklədiyi və dəstəkləmədiyi nəticələr

Metodoloji məhdudiyyətlər

Birinci məhdudiyyət doğrulamanın sintetik/təmsilçi istehsal məlumat dəsti ilə aparılmasıdır. Müəlliflər real istehsal sistemlərində, müxtəlif sektorlarda və sənaye tərəfdaşları ilə əlavə hal tədqiqatlarının vacib olduğunu bildirirlər.

İkinci məhdudiyyət gələcək vəziyyət mühərrikinin deterministik təkmilləşdirmə qaydalarına əsaslanmasıdır. Bu qaydalar şərh edilə və təkrarlana bilsə də, optimal həllə zəmanət vermir. Müəlliflər gələcəkdə bir neçə ssenarini qiymətləndirmək üçün simulyasiya və optimallaşdırmaya əsaslanan yanaşmaların əlavə edilə biləcəyini qeyd edirlər.

Üçüncü məhdudiyyət mövcud prototipin ardıcıl istehsal strukturunu fərz etməsidir. Mürəkkəb budaqlanan, birləşən və ya yenidən girişli istehsal şəbəkələrinin eyni qaydada emal edilə bilməsi bu tədqiqatda göstərilməmişdir.

Dördüncü məhdudiyyət tədqiqatın əsasən material axınında yaxşılaşma göstərməsidir. Müəlliflər informasiya axınına dair Lean təkmilləşdirmələrinin hələ inkişaf etdirilməli olduğunu açıq bildirirlər.

Beşinci məhdudiyyət bəzi müddət tənliklərində vahidlərin çevrilməsinin tətbiq detallarının mənbədə kifayət qədər açıqlanmamasıdır. Xüsusən dövr müddətlərinin şəkillərdə saniyə, Lead Time və Inventory Time göstəricilərinin isə günlə verilməsi nəticələrin təkrar əldə edilməsi baxımından vahidlərin normallaşdırılması mərhələsinin aydın sənədləşdirilməsini tələb edir.

Tədqiqatın elmi töhfəsi

Tədqiqatın əsas töhfəsi yeni tək bir Lean göstəricisi hazırlamaqdan daha çox ənənəvi VSM-nin müxtəlif mərhələlərini vahid avtomatik qərar dəstəyi zəncirində birləşdirməsidir. Çərçivə əməliyyat məlumatlarının alınmasını, cari vəziyyət xəritəsinin hazırlanmasını, KPI hesablanmasını, darboğaz diaqnostikasını, təkmilləşdirmə qaydasının tətbiqini, gələcək vəziyyət xəritəsinin yaradılmasını və yeni KPI-ların hesablanmasını eyni proqram mühitinə daşıyır.

Bu yanaşmanın elmi dəyəri VSM-ni statik rəsm nəticəsindən məlumatlarla yenilənə, diaqnoz qoya və tövsiyə yarada bilən qərar dəstəyi prosesinə çevirmək cəhdindədir. Onun real sənaye dəyərinin müəyyənləşdirilməsi isə gələcək sahə doğrulamalarından asılıdır.

Mənbə və Metod Qeydi

Orijinal tədqiqat: An Intelligent Value Stream Mapping Framework for Automated Current-State Analysis and Future-State Generation.

Müəlliflər: Osmano Morais və Clara Bento Vaz.

Məsul müəllif: Osmano Morais.

Qurum: CeDRI, SusTEC, Instituto Politécnico de Bragança, Campus de Santa Apolónia, Bragança, 5300-253, Portugal.

ORCID: Osmano Morais: 0009-0003-0948-6975; Clara Bento Vaz: 0000-0001-9862-6068.

Mənbənin növü: Tədqiqat preprinti; məlumat əsaslı istehsal qərar dəstəyi çərçivəsi və proqram prototipi.

Platform: SSRN, abstract no. 7320840.

DOI: 10.2139/ssrn.7320840.

İl: 2026. Dəqiq gün və ay yüklənmiş PDF-də göstərilmədiyinə görə əlavə edilməmişdir.

Nəşr vəziyyəti: PDF-də “Preprint submitted to Elsevier” ifadəsi yer alır. Konkret Elsevier jurnalı göstərilməmişdir.

Rəyçilik: Mənbədə tədqiqatın hələ rəyçi qiymətləndirməsindən keçmədiyi açıq şəkildə bildirilir.

Lisenziya: Yüklənmiş mənbədə açıq Creative Commons və ya bərabər səviyyəli təkrar istifadə lisenziyası aşkarlanmamışdır. Mənbə şəkilləri olduğu kimi çoxaldılmamalı; elmi əlaqələr və mənbə məlumatları Verianla üçün orijinal şəkildə yenidən çəkilməlidir.

Maliyyələşdirmə: UID/05757 – Research Centre in Digitalization and Intelligent Robotics (CeDRI) və SusTEC, LA/P/0007/2020 çərçivəsində milli fondlar.

Maraqların toqquşması: Mənbə mətnində maraqların toqquşmasına dair ayrıca bəyanat verilməmişdir.

Məlumatların əlçatanlığı: Mənbə mətnində məlumatların əlçatanlığına dair ayrıca bəyanat verilməmişdir. Doğrulamada istifadə olunan məlumat dəsti sintetik şəkildə yaradılmışdır.

Müəllif töhfələri: Mənbədə ayrıca CRediT töhfə cədvəli yoxdur.

Proqram təminatı: Python əsaslı modul prototip; istifadəçi interfeysi Streamlit.

Əsas məlumat girişləri: Ehtiyat qeydləri və istehsal prosesi məlumatları; məlumatlar IoT sistemlərindən və ya CSV fayllarından əldə edilə bilər.

Əsas KPI-lar: Lead Time, Inventory Time, Processing Time, Value Added Ratio, Demand Fulfilment Ratio, Flow Balance Index, Process Bottleneck Severity ve Inventory Bottleneck Severity.

Əsas qərar mexanizmi: Deterministik, Lean yönümlü qaydalara əsaslanan gələcək vəziyyətin yaradılması. Tədqiqat optimallaşdırma alqoritminin qlobal optimumu tapdığını iddia etmir.

Doğrulamanın sərhədi: Sintetik/təmsilçi istehsal məlumat dəsti istifadə edilmişdir; tam fəaliyyət göstərən sənaye şəraitində sahə doğrulaması aparılmamışdır.

Mənbədaxili diqqət məqamı: Inventory Reduction girişindəki %30 göstəricisi və Future-State VSM-də görünən təxminən 0,35 günlük I5 müddəti Cədvəl 4-də verilən 0,4 gün və -%20 ilə uyğun gəlmir. Mənbə bu fərqi izah etmir.