Thesis Number |
level |
Language |
Year |
Bilim Dalı |
|
Doktora |
İngilizce |
2011 |
Diğer |
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 ray