Otomotiv Endüstrisinde Yapay Sinir Ağı Kullanarak Maliyet Tahmin Modeli Geliştirme

Günümüz endüstrisinde rekabetin ana unsuru yüksek ürün kalitesi, imalat esnekliği ve düşük üretim maliyetleridir. Bu nedenle gerçeğe çok yakın bir üretim maliyeti hesabı öncelikli bir hale gelmiş ve ana odak olmuştur. Bu amaçla geleneksel maliyet hesaplama sistemlerinden günümüzdeki teknoloji ağırlıklı üretimlere daha uygun ve gerçekçi olan faaliyet tabanlı maliyet hesaplama sistemlerine geçilmiştir. Faaliyet tabanlı sistemin geleneksel maliyet hesaplama sisteminden daha iyi çalıştığına ilişkin çok sayıda çalışma yapılmıştır. Fakat bununda ötesinde bir örneklerden öğrenme sistemi olan Yapay Sinir Ağlari (YSA), geçmişte gerçekleşmiş olan maliyet verilerini alarak öğrenmekte ve daha sonra farklı hesaplamalarda gerçeğe daha yakın maliyet tahminlerinde bulunmaktadır. Bu çalışmada daha once gerçekleşen maliyet değerleriyle YSA lar eğitilmiş ve yine gerçek değerlerle test edilerek başarısı ispatlanmıştır. Maliyet tahmini yapmayı öğrenmiş olan dört farklı YSA kullanılarak dört farklı parçanın maliyet tahmini yapılmıştır.

Developing Cost Prediction Model in Automotive Industry Using Artificial Neural Networks

In todays industry the main elements of the competition are high quality product, flexible manufacturing flexibility and low production costs. Therefore, the calculation of the production cost nearest the real one has become the priority and main focus point. For this purpose, today activity based production cost systems, which are convenient and realistic for the technology-intensive productions have been started to be used instead of the conventional production cost calculation systems. There are many studies done showing that activity based systems are better working than conventional production cost calculation systems. However, beyond this artificial neural networks (ANN), which is a system learning from samples, are learning by getting data from the previously realized production costs and than it predicts production costs nearest the real values for different calculations. In this study, neural networks have been trained by using previously implemented production costs and the neural networks have been tested by using real values to prove the prediction success. Prediction of the production cost of four different parts has been done by using four different neural networks, which learned calculating production cost.

Kaynakça

Bargelis, A., Rimasauskas, M. 2007. Cost forecasting model for order-based sheet metalworking. J Mech Eng Sci, Part C, 221: 55-65.

Barletta, M., Gisario, A. 2009. Hybrid forming process of AA 6108 T4 thin sheets: modeling by neural network solutions. J Eng Manf. Part B, 223: 535-545.

Bucak, S. 2007. Otomotiv sektöründe yapay sinir ağı kullanarak maliyet tahmini. Yüksek lisans Tezi, Sakarya Üniversitesi, 111 s.

Burman, D., Huang K. 1999. A revoluationary approach to cost prediction using the artificial neural model. Washington DC. SAVE International Conference, 33-37.

Chang, PC., Lin, JJ., Dzan, WY. 2012. Forecasting of manufacturing cost in mobile phone products by case based reasoning and artificial neural models. JIM, 23:517-531.

Shebab, E.,Abdalla, HS. 2002. Manufacturing cost modelling for concurrent product development. Rob Com Intg Manf, 17: 341-353.

Smith, AE., Mason, AK. 1997. Cost estimation predictive modeling: regression versus neural network. Eng Econ, 42: 137-161.

Stamenkovic, DD., Popovic, VM. 2015. Warranty optimization based on the prediction of cost to the manufacturer using neural network and monte carlo simulation. Int J Syst Sci, 46(3): 535-545.

Wang, Q., Stockton, D. 2001. Cost model development using artificial neural networks. Aircraft Eng Aerospace Tech, 73: 536- 541.

Zhang, YF., Fuh, J.Y.H. 1998. A neural network approach for early cost estimation of packaging products. Comp Ind Eng, 34: 433-450.

Kaynak Göster