Hafif Raylı Sistemlerde Yedek Parça Stoklarının Sınıflandırılması İçin Çok Ölçütlü Abc Analizi İle Yapay Sinir Ağı Yaklaşımı

Abstract

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 sorumluluğu ve denetim prensipleri açılarından tartışıldı. 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 edilmiştirÖnerilen 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.

In this thesis, artificial neural network model was developed to classify spare parts inventory based on multi criteria ABC analysis in light railway system. After thorough literature review on inventory classification, the relevant classification criteria and control characteristics of maintenance spare parts are identified and discussed in terms of their effects on maintenance operations, purchasing characteristics, positioning of materials, responsibility of control and control principles. The classification model of railway systems spare parts have been performed based on following criteria: annual unit cost, lead time, value usage, substitutability, commonality and stock-out penalty. The proposed artificial neural network architecture has 6-8-3 structure, which constitutes six nodes in the input layer, eight nodes in the hidden layer and three nodes in the output layer.