عنوان پایان‌نامه
ارائه روش های پیش بینی و کنترل موجودی برای قطعات یدکی هواپیماهای تجاری با استفاده از داده های بزرگ و هوش مصنوعی
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3378;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77401;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3378;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77401
- تاریخ دفاع
- ۱۰ مهر ۱۳۹۵
- دانشجو
- کیوان نعمتی امیرکلایی
- استاد راهنما
- رضا توکلی مقدم
- چکیده
- پایان‌نامه‌ی حاضر بر روی دقت و عملکرد تعدادی از روشهای پیش‌بینی برای قطعات یدکی هواپیماهای تجاری متمرکز شده است. هدف اصلی این پایان‌نامه ارائه روش پیش‌بینی جدید برپایه شبکه عصبی و مقایسه آن با روشهای پیش‌بینی موجود می‌باشد. پس از مروری بر ادبیات حوزه پیش‌بینی، به ویژه بخش پیش‌بینی تقاضای قطعات یدکی و بررسی روشهای مختلف شبکه عصبی، معیارهای عملکرد و مشخصه های ورودی شبکه‌ی عصبی، ما سناریوهای متعددی برای شبکه عصبی تنظیم کردیم تا بیابیم کدامیک از این روش‌ها برای کدامیک از کلاس‌های تقاضای قطعات یدکی عملکرد بهتری را دارا هستند. برای اعتبار سنجی نتایج موجود، داده های بزرگ مربوط به شرکتی شاخص در صنعت تولید هواپیماهای تجاری آنالیز و استفاده گردید. طراحی و در نظر گرفتن هفت سیاست موجودی مختلف برای داده‌ها، برتری برخی از سناریوهای شبکه عصبی را در قیاس با هفت روش سری زمانی موجود که به روشهای سنتی نیز معروفند نشان می‌دهد.
- Abstract
- This thesis focus on accuracy and performance of several forecasting methods for the spare parts of business aircraft’s have been surveyed. Main goal of this thesis is to develop a new forecasting method based on Neural Network and compare it with several existing forecasting methods. We prepared different scenarios and tune them to find which method or methods would perform better for forecasting of each class of spare parts. To validate the obtained results, the data (big data) from a business Aircraft Company have been analyzed and used. The performance indicators concerning inventory cost and fill rate allow showing the supremacy of Neural Network method comparing to 7 traditional forecasting methods. Keywords: Forecasting, Neural Network, Spare Part, Business Aircraft, Big Data
