پیش بینی هزینه های تعمیر و نگهداری تراکتور جاندیر با استفاده از دو ساختار متفاوت شبکه عصبی mlp

جایگزینی تراکتور یکی از تصمیمات مهم مدیر ماشین های کشاورزی می باشد.یکی از فاکتورهای بسیار اساسی در این تصمیم گیری ، پیش بینی دقیق هزینه های تعمیر و نگهداری می باشد.هدف از این تحقیق،ارزیابی قابلیت پیش بینی هزینه های تعمیر و نگهداری تراکتور با استفاده از دو ساختار شبکه عصبی مصنوعی mlp می باشد.در ابتدا شبکه های جداگانه برای هر یک از اجزاء هزینه های تعمیر ونگهداری و سپس یک شبکه برای پیش بینی همزمان انها طراحی شد. از داده های واقعی 28 تراکتور جاندیر موجود درکشت و صنعت استان قدس رضوی در این مطالعه استفاده شده است.نتایج حاصل نشان می دهد که هر دو نوع شبکه عصبی قادر به پیش بینی دقیق هزینه های تعمیر و نگهداری تراکتور است. همچنین پیش بینی عناصر هزینه تعمیر و نگهداری تراکتور با یک شبکه منجر به نتایج عملکردی بهتر ی نسبت به بکارگیری شبکه های جداگانه برای پیش بینی هر یک از اجزاء هزینه شده است.بنابراین شبکه عصبی می تواند قابلیت تصمیم گیری اقتصادی مدیران ماشین را بهبود بخشد.

prediction of john deere tractor repair and maintenance costs by using two different structures of mlp artificial neural network

replacement of tractor is one of the important decisions that must be made with respect to farm machinery manager. accurate forecasting of repair and maintenance cost is one of the most critical factors for making this decision. the purpose of this research was to evaluate the capability of two structures of mlp neural network in predicting repair and maintenance costs. first, networks were designed in order to predict the components of repair and maintenance costs individually, and then a single network was designed for simultaneous prediction of all components costs. the study was conducted using actual data on 28 john deer tractors from astan ghodse razavi agro-industry. according to the obtained results, the two types of neural networks are accurately able to predict the repair and maintenance costs. also, the prediction of repair and maintenance cost components of tractor with a single network produces a better result than using separate networks for prediction of each cost component. therefore, neural network can be improved the economic decision making capabilities of machinery managers.