• عنوان

    ابزارهاي يادگيري ماشين براي پيش‌بيني عيوب قطعات يدكي در زنجيره تامين

  • نويسنده اصلي

    مشتاقي، آزاد

  • محل تحصيل
    اصفهان : دانشگاه صنعتي اصفهان
  • رشته تحصيلي
    مهندسي صنايع
  • مقطع تحصيلي
    كارشناسي ارشد
  • چكيده
    زنجيره‌تأمين به‌عنوان يكي از مهم‌ترين بخش‌هاي مديريت كسب‌وكار، نقش كليدي در ارتباط مؤثر بين توليدكنندگان، تأمين‌كنندگان و مشتريان ايفا مي‌كند. با پيشرفت‌هاي سريع در تكنولوژي‌هاي ارتباطي و كامپيوتري، امكان مديريت دقيق‌تر و كارآمدتر زنجيره تأمين فراهم شده است؛ به‌طوري‌كه تا پيش از دهه 1980 ميلادي اين سطح از مديريت امكان‌پذير نبود. امروزه، سازمان‌ها با بهره‌گيري از تكنيك‌ها و فناوري‌هاي نوين، مي‌توانند زنجيره تأميني با قابليت رقابتي بالا ايجاد كنند كه به آن‌ها كمك مي‌كند تا به‌سرعت به تغييرات تقاضاي بازار واكنش نشان دهند و در بازارهاي پررقابت موفق‌تر عمل كنند. يكي از چالش‌هاي اساسي در مديريت زنجيره تأمين اثر شلاقي است كه در آن نوسانات تقاضا در طول زنجيره افزايش مي‌يابد. اين پديده مي‌تواند منجر به افزايش يا كاهش بيش‌ازحد در موجودي، هزينه‌هاي انبارداري، برنامه‌ريزي نامطمئن توليد و درنهايت كاهش كارايي زنجيره تأمين شود. وجود عيوب در قطعات يدكي مي‌تواند اثر شلاقي را تشديد كند، زيرا نوسانات غيرمنتظره‌اي در تقاضا ايجاد مي‌كند كه به‌سختي قابل پيش‌بيني و مديريت است. در واقع هنگام وقوع عيب در قطعات يدكي، در صورت نبود برنامه‌ريزي قبلي، تأخير در توليد و توزيع ايجاد مي‌گردد كه در نهايت به افزايش سفارشات اضطراري و عدم هماهنگي بين واحدهاي مختلف منجر مي‌شود. در اين پژوهش، از شبكه عصبي تركيبي كانولوشنال و شبكه‌هاي حافظه‌دار كوتاه‌مدت، بلندمدت (CNN-LSTM) براي پيش‌بيني و شناسايي عيوب موجود در قطعات يدكي در ماشين‌هاي دوار با استفاده از داده‌هاي از جنس سيگنال استفاده شده است. سپس نتايج مدل حاصل با الگوريتم‌هاي يادگيري ماشين ازجمله RF، SVM، KNN و MLP بر اساس معيارهاي ارزيابي مقايسه شده است. با توجه به اينكه داده‌هاي مورداستفاده در اين پژوهش از جنس سيگنال مي‌باشد لذا براي استفاده از مدل‌هاي يادگيري ماشين بايد از اين سيگنال‌ها وِيژگي استخراج شود كه بدين منظور از تبديل فوريه استفاده مي‌شود. نتايج حاصل از ارزيابي مدل‌هاي مختلف نشان مي‌دهد كه مدل تركيبي با دقت 0٫93 در امتياز F1 و 0٫93 در معيار صحت، در مقايسه با مدل‌هاي RF با 0٫79 در امتياز F1 و 0٫79 در معيار صحت و مدل SVM با 0٫82 در امتياز F1 و 0٫79 در معيار صحت و مدل KNN با 0٫78 در امتياز F1 و 0٫78 در معيار صحت و مدل MLP با 0٫89 در امتياز F1 و 0٫89 در معيار صحت بهتر مي‌باشد.
  • شماره ركورد
    232315
  • گرايش رشته تحصيلي
    لجستيك و زنجيره تامين
  • دانشكده
    مهندسي صنايع و سيستم ها
  • دانشگاه
    دانشگاه صنعتي اصفهان