Multi criteria ABC classification of light railway spare parts using artificial neural network apprpach
Hafif raylı sistemlerde yedek parça stoklarının sınıflandırması için çok ölçütlü ABC analizi ile yapay sinir ağı yaklaşımı
- Tez No: 295282
- Danışmanlar: PROF. DR. DEMET BAYRAKTAR
- Tez Türü: Yüksek Lisans
- Konular: İşletme, Mühendislik Bilimleri, Business Administration, Engineering Sciences
- Anahtar Kelimeler: Envanter kontrol modelleri, Envanter kontrolü, Envanter yönetimi, Raylı sistemler, Yapay sinir ağları, Çok katmanlı perseptronlar, Çok kriterli karar verme, Inventory control models, Inventory control, Inventory management, Railway systems, Artificial neural networks, Multilayer perceptrons, Multi criteria decision making
- Yıl: 2011
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İşletme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bakım işlerinin başarılı bir şekilde gerçekleşmesi için yedek parça stoklarının yönetimi çok önemlidir. Raylı sistemlerin yönetiminde bakım işlemlerine büyük önem verilmesinin sebebi, bakım işlemlerinin raylı sistemlerde kullanılan araçların performasını direk etkilemesi ve yolculara kesintisiz ve yüksek kalitede hizmet sağlanmasında çok önemli rol oynamaktadır. Raylı sistemlerin hizmetinde en önemli iki husus, bakım işleri için gerekli olan yedek parçaların yeterli miktarda elde bulundurulması ve güvenilir olmasıdır. Yedek parçaların amacı araçların çalışır vaziyette tutulması için gerekli bakım işlerinde kullanılması. Raylı sistemlerin hizmetinde yapılan bakım işleri için yeterli ve aynı zamanda etkin bir şekilde yedek parça sağlamak, yönetim için zor bir iştir.Bu çalışmanın amacı hafif raylı sistemlerde kullanılan yedek parça stoklarının çok kriterili ABC analizi ile sınıflandırılması için yapay sinir ağı modeli geliştirmektir. Envanter sınıflandırma üzerine kapsamlı literatür incelemesi yapıldıktan sonra, bakım için kullanılan yedek parçaların sınıflandırılma ölçütleri ve kontrol parametreleri belirlendi. Belirlenen sınıflandırma ölçütlerin bakım işleri, satın alma özellikleri, malzemenin konulmandırması, kontrol sorulluluğu ve denetim prensipleri açılarından tartışıldı. Hafif raylı sistemlerin yedek parça sınıflandırma modelinde değerlendirme süreci için elde bulundurmama maliyeti, ikame edilebilirlik, kullanım adedi, maliyet, tedarik süresi ve ortak nokta kriterileri belirlenmiştir.En yaygın kullanılan, tek girdi, tek gizli ve tek çıktı katmanlı, yapay sinir ağı modeli seçilmiştir. Yedek parçaların A,B ve C gruplarına sınıflandırmasın için kullanılan ağın eğitililmesi için çok katmanlı algılama ağ modeli ile geri yayılım algoritmasından yararlanılmıştır. Uygun ağ yapısını blirlenebilmesi için beşli çapraz doğrulama yöntemi ile gizli katmandaki sinir hücre sayısı tespit edilmiştir. Sınıflandırma doğrulaması için, hiperbolik tanjantlı ve sigmoid transfer fonsiyonlu iki farklı yapay sinir ağı modeli karşılaştırılmıştır. Ağın eğitimi sonucunda, hiperbolik tanjant fonksiyonlu yapay sinir ağının daha düşük hata oranı gösterdiği, ortalama karesel hatadan belirlenmiştir. Önerilen YSA modelinde; yedek parça envanteri sınıflandırma kriterilerini temsil eden 6 adet girdi sinir hücresi, tek gizli katmanda yer alan 8 adet sinir hücresi ve sınıflandırma kümelerini gösteren 3 çıktılı ileri beslemeli bir ağ yapısı oluşturulmuştur.Değerlendirmede eğitim ve test işlemleri için toplam 71 adet yedek parça verisi kullanılmıştır, bunların, 60 adet yedek parça verisi eğitim işlemi ve 11 adet yedek parça verisi test işlemi için değerlendirilmiştir.Yapılan çalışmanın en önemli katkısı, hafif raylı sistemlerin bakım işlerinde kullanılan yedek parça envanter sınıflandırması çalışmasına farklı yöntemle yaklaşılmış olması ve bu alanın yapılan çalışmalar arasında daha önce incelenmemiş olması. Daha önce yapılan çalışmalar arasında çok kriterili ABC analizi ile hafif raylı sistemlerin yedek parça stokların sınıflandırmasında analitik hiyerarşi prosesi ve veri zarflama analizi yöntemleri kullanılarak incelenmiştir. Bu çalışmada, hafif raylı sistemlerinde kullanılan envanter sınıflandırması için yapay sinir ağı yaklaşımı önerilmiştir. Yedek parça sınıflandırma modeli olarak geliştirilen YSA modeli başarılı sonuçlar göstermiştir. Geliştirilen YSA modeli diğer raylı sistemlerin de bakım işleri için kullanabileceği bir yapıya dönüştürülebilir.
Özet (Çeviri)
Management of spare parts inventories is crutial for successfull execution of the maintenance processes. Main attention is paid to maintenance operations in railway systems management because it directly affects the performance of railway machines and play important role in railway service, in order to provide uninterrupted and high quality service to passengers. The most important characteristics of railway services are the availability and reliability of spare items, which are necessary for maintenance operations. The role of spare parts is to support the maintenance operations in keeping vehicles in a functioning condition. Supplying an adequate and yet efficient amount of spare parts to support the maintenance activities in railway service is a tough management problem.In this thesis, artificial neural network model was developed to classify spare parts inventory based on multi criteria ABC analysis in light railway systems. After thorough literature review on inventory classification, the relevant classification criteria and control chracteristics of maintenance spare parts are identified and discussed in terms of their effects on maintenance operations, purchasing characteristics, positioning of materials, responsibility of control and control principles. The classification model of railway systems spare parts have been performed based on following criteria: annual unit cost, lead time, value usage, substitutability, commonality and stock-out penalty.Most widely used neural network structure is chosen, which contains one input, one hidden and one output layer. For the training of the network which will be used for classification of items into A, B and C class items, a multi layer perception network with back propagation algorithm was used. The optimum architechture is determined by estimating number of nodes in hidden layer by five-fold cross validation method. The comparison of classification accuracy was done between neural networks with hyperbolic tangent function and sigmoid transfer function. As a result of training, neural network with hyperbolic tangent function gave more accurate results, by giving the lowest the minimum mean squared error, MSE. The proposed artificial neural network architecture has 6-8-3 structure, which constitutes six nodes in the input layer, eight nodes in the hidden layer and three nodes in the output layer.The evaluation data of 71 maintenance spare part items were utilized for training and testing processes, specifically, 60 item data for training and 11 items data for testing the developed artificial neural network.The main contribution of this thesis is that, it applies a different approach, which is ANN, for classification of spare parts inventory in railway systems, which was not widely investigated area in the literature. The previous researches in literature on multi criteria inventory management have been done using analytical hierarchy process and data envelopment analysis). The developed network has shown good classification accuracy and this network can be used for classification of other real-world inventory data in railway systems maintenance.
Benzer Tezler
- Çok kriterli karar verme yöntemleri ve makine öğrenme teknikleri ile stokların sınıflandırılması
Classification of stocks with multi-criteria decision making methods and machine learning techniques
İBRAHİM AKBULUT
- Çok kriterli ABC stok sınıflandırma problemi için yeni bir yaklaşım
A new algorithm for multi-criteria ABC inventory classification problem
BAHAR AKYOL
Yüksek Lisans
Türkçe
2011
Endüstri ve Endüstri MühendisliğiErciyes ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BANU SOYLU
- Sınıflandırma problemlerinde veri dengeleme ve özellik seçiminin makine öğrenmesi algoritmalarının performansına etkisinin çok kriterli karar verme ile değerlendirilmesi
Evaluation of the effect of data balancing and feature selection on the performance of machine learning algorithms in classification problems with multi-criteria decision making
ÖZLEM AKARÇAY PERVİN
Doktora
Türkçe
2025
İstatistikSelçuk Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. NİMET YAPICI PEHLİVAN
- PKK terör örgütünün eylemlerinin analizi: Karakol ve üs bölgelerinin çok kriterli karar verme yöntemine göre sınıflandırılması
Analising the actions carried out by the PKK terrorist organization and classification of military bases and the outposts according to multi criteria decision making
FATİH TÜMLÜ
Yüksek Lisans
Türkçe
2014
Savunma ve Savunma TeknolojileriKara Harp Okulu KomutanlığıGüvenlik Bilimleri Ana Bilim Dalı
DR. ÖMER FARUK CANTENAR
- Asimetrik lojistik faaliyetlere yönelik öncelikli doğrusal programlama modeli uygulaması
Application of prioritized linear programming method against asymmetric logistic activates
TARIK ZİYA KOYUNCU
Yüksek Lisans
Türkçe
2014
Savunma ve Savunma TeknolojileriKara Harp Okulu KomutanlığıMalzeme Tedarik ve Lojistik Yönetimi Ana Bilim Dalı
YRD. DOÇ. DR. HAKAN SONER APLAK
DR. ORHAN GERDAN