پیش بینی هزینه های تعمیر و نگهداری تراکتور جاندیر با استفاده از دو ساختار متفاوت شبکه عصبی MLP

مجله اقتصاد و توسعه کشاورزی

مقاله 7، دوره 22، شماره 2، مهر 1387، صفحه 87-97   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jead2.v1387i2.1151

نویسندگان

ایرج رنجبر¹؛ محمدحسین عباسپور فرد^{* 2}؛ یحیی عجب شیرچی¹؛ عباس روحانی¹

¹گروه ماشین های کشاورزی، دانشگاه تبریز

²گروه ماشین های کشاورزی، دانشگاه فردوسی مشهد

چکیده

چکیده
جایگزینی تراکتور یکی از تصمیمات مهم مدیر ماشین های کشاورزی می باشد.یکی از فاکتورهای بسیار اساسی در این تصمیم گیری ، پیش بینی دقیق هزینه های تعمیر و نگهداری می باشد.هدف از این تحقیق،ارزیابی قابلیت پیش بینی هزینه های تعمیر و نگهداری تراکتور با استفاده از دو ساختار شبکه عصبی مصنوعی MLP می باشد.در ابتدا شبکه های جداگانه برای هر یک از اجزاء هزینه های تعمیر ونگهداری و سپس یک شبکه برای پیش بینی همزمان انها طراحی شد. از داده های واقعی 28 تراکتور جاندیر موجود درکشت و صنعت استان قدس رضوی در این مطالعه استفاده شده است.نتایج حاصل نشان می دهد که هر دو نوع شبکه عصبی قادر به پیش بینی دقیق هزینه های تعمیر و نگهداری تراکتور است. همچنین پیش بینی عناصر هزینه تعمیر و نگهداری تراکتور با یک شبکه منجر به نتایج عملکردی بهتر ی نسبت به بکارگیری شبکه های جداگانه برای پیش بینی هر یک از اجزاء هزینه شده است.بنابراین شبکه عصبی می تواند قابلیت تصمیم گیری اقتصادی مدیران ماشین را بهبود بخشد.

کلیدواژه‌ها

شبکه عصبی پرسپترون؛ تعمیر و نگهداری؛ تراکتور؛ پیش بینی هزینه

مراجع

• اسکونژاد، م.م.، اقتصاد مهندسی یا ارزیابی اقتصادی پروژه‌های صنعتی. انتشارات دانشگاه صنعتی امیرکبیر.
• الماسی ،م.، لویمی.ن .، کیانی.ش.، 1378. مبانی مکانیزاسیون کشاورزی. انتشارات حضرت معصومه.
• Azadeh, A., Ghaderi, S.F., Sohrabkhani.S., 2006. Forecasting electrical consumption by integration of Neural Network, time series and ANOVA. Applied Mathematics and Computation.
• Bowers,W., Hunt, D.R., 1970. Application of mathematical formula to repair cost data. Transactions of the ASAE. 13, 806-809.
• Fuls, J., 1999. The Correlation of repair and maintenance costs of agricultural machinery with operating hours management policy and operator skills for South Africa . Accessed July 2006, available at http://www.arc.agric.za.
• Girard, N., Hubert, B., 1999. Modeling expert knowledge with knowledge-based systems to design decision aids The example of a knowledge-based model on grazing management. Agricultural systems 59: 123-144.
• Gupta, M. M., Jin, J., Homma, N., 2003. Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory. John Wiley & Sons, Inc., Hoboken, New Jersey.
• Hanke, J.E., Reitsh, A.G., 1995. Business Forecasting. Prentice-Hall, Englewood Cliffs, NJ.
• Haykin, S., 1994. Neural networks: A comprehensive foundation. McMillan College Publishing Company, New York.
• Kaul, M., Hill, R.L., Walthall, C., 2005. Artificial neural networks for corn and soybean yield prediction. Agriculture system 85:1-18.
• Kim ,Y.H., 1989. A forecasting methodology for maintenance cost of long-life equipment. Doctoral thesis. University of Alabama.
• Mayfield, W., Hills,G.S., Roberts, L., 1981.A New method for estimating farm machinery cost.Transaction of ASAE pp:53-55.
• Mitchell, Z. W., 1998. A Statistical Analysis of Construction Equipment Repair Costs Using Field Data & the Cumulative Cost Model. PhD Thesis, Faculty of the Virginia Polytechnic Institute and State University.
• Pascual, R .,Ortega, J.H., 2006., Optimal replacement and overhaul decisions with imperfect maintenance and warranty contracts. Reliability Engineering and System Safety 91:241–248.
• Rotz, C. A., 1987. A Standard Model for Repair Costs of Agricultural Machinery. Applied Engineering in Agriculture.3(1),3-9.
• Torrecilla, J.S., Otero, L., Sanz, PD., 2004. A neural network approach for thermal/pressure food processing. Food Engineering 62:89-95.
• Vakil-Baghmisheh, M. T., Pavešic, N., 2001. Back-propagation with declining learning rate. Proceeding of the 10^th Electrotechnical and Computer Science Conference, Portorož, Slovenia. Vol B, 297-300.
• Vakil-Baghmisheh, M. T., 2002. Farsi Character Recognition Using Artificial Neural Networks. PhD Thesis, Faculty of Electrical Engineering, University of Ljubljana.
• Vakil-Baghmisheh, M. T., Pavešic, N., 2003. A Fast simplified fuzzy ARTMAP network. Neural Processing Letters. 17, 273-301.
• Veelenturf, L.P.J., 1995. Analysis applications of artificial neural networks. Simon & Schuster international group,United States of America.
• Zhang, Y. F., Fuh, J. Y. H., 1998. A neural network approach for early cost estimation of packaging products. Comput Ind 34, 433-50.
• Wang, Y.M., Elhag.T.M.S., 2007.A comparison of neural network, evidential reasoning and multiple regression analysis in modeling bridge risks. Expert Systems with Applications 32 : 336–348.