عنوان

تحلیل هزینه تعمیرونگهداری و عمر اقتصادی تراکتوربا استفاده از رگرسیون، شبکه‌عصبی‌مصنوعی و الگوریتم ژنتیک

Number

‭۳۶۱۷پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تحلیل هزینه تعمیرونگهداری و عمر اقتصادی تراکتوربا استفاده از رگرسیون، شبکه‌عصبی‌مصنوعی و الگوریتم ژنتیک

First Statement of Responsibility

/عباس روحانی

Name of Publisher, Distributor, etc.

تبریز: دانشگاه‌تبریز ،دانشکده کشاورزی، گروه ماشین‌های کشاورزی

Specific Material Designation and Extent of Item

‮‭۱۸۶‬ ص.‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

دکتری

Discipline of degree

ماشین‌های کشاورزی گرایش :مکانیزاسیون کشاورزی

Date of degree

‮‭۱۳۸۸/۰۸/۲۵‬

Body granting the degree

تبریز: دانشگاه‌تبریز ،دانشکده کشاورزی، گروه ماشین‌های کشاورزی

Text of Note

مدیریت جایگزینی ماشین‌های کشاورزی بویژه تراکتور یکی از عوامل بسیار تاثیرگذار برای انجام به موقع عملیات زراعی می‌باشد .بنابراین، پیش‌بینی بسیار دقیق هزینه‌های تعمیرونگهداری تراکتور ضروری است .این تحقیق برای ارزیابی تکنیک رگرسیون و شبکه عصبی در پیش‌بینی هزینه‌های تعمیرونگهداری و مقایسه عملکرد مدل‌ها به انجام رسید .این مطالعه با استفاده از داده‌های واقعی ‮‭۶۰‬ دستگاه تراکتور دو چرخ محرک از کشت‌وصنعت آستان قدس رضوی اجرا شد .تحلیل رگرسیونی نشان داد که مدل رگرسیونی درجه سوم، بهترین مدل برای پیش‌بینی هزینه‌های تعمیر، روغن و سوخت می‌باشد .عوامل بهینه شبکه عصبی از طریق سعی‌وخطا بر روی داده‌های موجود انتخاب شدند .همچنین در این پایان‌نامه، عملکرد دو الگوریتم آموزش پس‌انتشار اصلی ‮‭(BB)‬و پس‌انتشار با ضریب آهنگ یادگیری کاهشی ‮‭(BDLRF)‬مقایسه شد ‮‭BDLRF‬ .در پیش‌بینی هزینه‌های تراکتور عملکرد خوبی داشت .شبکه عصبی در پیش‌بینی عناصر هزینه‌های تعمیرونگهداری تراکتور در مقایسه با شبکه‌های جداگانه نتیجه بهتری داشت .نتایج نشان داد که شبکه عصبی مصنوعی ‮‭(ANN)‬ابزاری امیدوارکننده برای پیش‌بینی هزینه‌های تعمیرونگهداری تراکتور می‌باشد .این مطالعه سه روش برای تخمین عمر اقتصادی تراکتور را با هم مقایسه کرد .همچنین در این مطالعه موردی نتایج نشان داد که الگوریتم ژنتیک عملکرد بهتری در مقایسه دیگر با روش‌های کمینه‌سازی هزینه و مدل هزینه تجمعی دارد.

Text of Note

The management of farm machinery (specifically tractor) replacement is most critical factor for performing timely field operations. Therefore, repair and maintenance costs of tractor must be predicted accurately. This research was carried out to evaluate regression technique and neural network in predicting tractor's repair and maintenance costs as well as it's economical life, and also to campare the performances of models. The study was conducted using empirical data on 60 units of two-wheel drive tractors belong to Astan Ghodse Razavi agro-industry. The regression analysis have shown that the cubic regression model was best model for prediction of repair, oil and fuel cost. Optimal parameters for the neural network were selected via a trial and error procedure on the available data. In this thesis, the performance of Basic Back-propagation (BB) training algorithm was also compared with Back-propagation with Declining Learning Rate Factor algorithm (BDLRF). It was found that BDLRF has a better performance for the prediction of tractor's costs. The prediction of repair and maintenance cost components of tractors with a single network produced a better result than using separate networks for prediction of each cost component. It has been concluded that ANN represents a promising tool for predicting repair and maintenance costs. This study compares the three alternative approaches and their performances in estimating tractor economical life. It is also found that gentic algorithm outperforms the cost minimization approach and cumulative cost model for the considered case study.

tracror

repair and maintenance cost

economic life

regression

neural network

genetic algorithm

روحانی، عباس

عجب‌شیرچی، یحیی، استاد راهنما

رنجبر، ایرج، استاد راهنما

ولی زاده، مصطفی، استاد مشاور

عبداله‌پور، شمس الله، استاد مشاور

عباسپور، محمد حسین، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی