Введение 4
Глава 1. Анализ состояния вопроса 6
1.1 Организация обеспечения запасными частями предприятий
автосервиса 6
1.2 Анализ методов управления запасами запасных частей 9
1.3 Выводы по первой главе. Задача исследования 12
Глава 2. Основы прогнозирования потребности в запасных частях на предприятиях автомобильного сервиса 13
2.1 Особенности управления запасами на предприятиях
автомобильного сервиса 13
2.2 Исследование нейросетевых моделей прогнозирования
потребности предприятий автомобильного сервиса в запасных частях 22
2.2.1 Формирование потребности автосервисного предприятия в
запасных частях 22
2.2.2 Общая характеристика нейрокомпьютерных технологий 25
2.2.3 Биологические основы и математический аппарат искусственных
нейронных сетей 26
2.2.4 Выбор программного обеспечения для определения потребности
в запасных частях с использованием нейросетевых технологий 44
2.2.5 Использование регрессионного метода построения нейронной
сети. 46
2.2.6 Использование метода временного ряда для построения
нейронной сети 50
2.3 Выводы 51
Глава 3. Моделирование процессов формирования потребности предприятий автосервиса в запасных частях 52
3.1. Алгоритм проведения экспериментальных исследований 52
3.2. Анализ расхода запасных частей 54
3.3. Оценка влияния факторов на потребность в запасных частях
экспертным методом 55
3.4. Определение прогнозных значений расхода запасных частей. .. 61
3.4.1. Регрессионный метод построения нейронной сети 61
3.4.2. Нейронная сеть методом построения временного ряда 72
3.5. Разработка алгоритма прогнозирования потребности в запасных
частях 78
3.6. Результаты расчета потребности с использованием нейронных
сетей. 80
3.6.1. Результаты расчета потребности в запасных частях с
использованием метода регрессии 80
3.6.2. Результаты расчета потребности в запасных частях с
использованием метода временного ряда 81
3.7. Выводы 82
Глава 4. Оценка экономического эффекта 83
4.1. Экономическая эффективность использования нейронных сетей
при прогнозировании потребности предприятия 83
4.2. Выводы 84
Заключение 84
Список использованных источников 86
Актуальность работы. В современных условиях развитой конкуренции в сфере автомобильного сервиса к автотранспортным компаниям и организациям предъявляются жесткие требования по качеству и срокам оказываемых услуг. Вышесказанные условия, в значительной степени, зависят от надежности автотранспортных средств (АТС), которая напрямую оказывает существенное влияние на формирование потребности в запасных частях с целью обеспечения и восстановления работоспособности подвижного состава и безопасности его эксплуатации.
В то же время, в процессе определения объема запасов, необходимо учитывать оптимальную потребность в запасных частях для конкретных условий эксплуатации АТС, учитывая различные эксплуатационные факторы.
Для решения вопросов обеспечения предприятия запасными частями необходима разработка эффективной модели определения потребности в запасных частях, а также определения оптимальных способов управления запасами на таких предприятиях. Актуальность этих вопросов остается высокой в связи с постоянно изменяющимися условиями рынка и новыми подходами к организации материально- технического обеспечения.
Объектом исследования - является процесс формирования и удовлетворения потребности в запасных частях.
Предметом исследования - является метод управления запасами запасных частей при помощи нейрокомпьютерных технологий.
Целью работы - является совершенствование системы прогнозирования потребности в запасных частях путём применения нейронных сетей.
Задачи исследования:
1. Провести системный анализ факторов, влияющих на потребность в запасных частях;
2. Выбор метода построения нейронных сетей для прогнозирования потребности в запасных частях предприятия;
3. построение и обучение нейронных сетей для расчета потребности в запасных частях предприятия автосервиса;
4. разработка алгоритма прогнозирования потребности в запасных частях на основе применения построенных нейронных сетей;
Научная новизна диссертационной работы: сформулирован подход к решению задачи определения и планирования запасов запасных частей с помощью прогнозирующих нейрокомпьютерных моделей.
Практическая значимость диссертационной работы заключается в повышении эффективности функционирования автотранспортных
предприятий, за счет нового подхода к определению и планированию объемов запасных частей при помощи нейрокомпьютерных технологий, обеспечивающих снижение складских издержек, и оптимизации оборотных средств компании.
В работе решена важная научно-практическая задача, состоящая в разработке алгоритма прогнозирования потребности предприятий автосервиса в запасных частях путём применения нейронных сетей. Предложенный алгоритм позволяет формализовать процессы определения потребности предприятий в запасных частях, повысить эффективность существующих систем материально¬технического обеспечения предприятия.
Разработана классификация и проведено исследование факторов, влияющих на потребность предприятий автосервиса в запасных частях. Методами априорного ранжирования выявлено, что наибольшее влияние на потребность в запасных частях оказывают следующие факторы:
• возрастная структура парка обслуживаемых автомобилей (10,8%);
• объемы расхода запасных частей за предыдущий период (9,5%);
• методика расчета потребности, в запасных частях (8%).
С использованием метода регрессии и метода временного ряда были построены нейронные сети. Построенные сети показывают хорошее качество прогноза.
Разработаны принципы выбора методов построения нейронных сетей для прогнозирования потребности предприятий в запасных частях, на основании которых определены области наиболее эффективного использования математических моделей.
Результаты практических расчетов с использованием ПО STATISTICA и их анализ показали, что STATISCA обеспечивает точный результат при проведении как регрессионного метода построения, так и при построении методом временного ряда.
Сравнительный анализ действующего метода прогнозировании на предприятии и расчетного основе применением нейронных сетей показал, что прогнозные значения потребности в запасных частях с использованием нейронных сетей до 28% точнее, чем при применении действующих методов.
