پيش بيني وضعيت برگشت موتور با استفاده از تكنيك داده كاوي

Forecasting of engine return status using the data mining technique

فضاي رقابتي شديد ميان توليدكنندگان خودرو، هزينه و كيفيت را به مهمترين چالش هاي خودروسازان تبديل كرده است. كاهش هزينه و توليد محصول باكيفيت مطابق با خواست مشتري، نيازمند انجام تحقيقاتي دقيق، تسلط بر فرايندهاي ساخت و مطالعات بازار مي باشد. يكي از نگراني هاي هر توليد كننده اي، برگشت محصول بدليل ايرادات كيفي است كه علاوه بر افزايش هزينه، مي تواند به اعتبار نشان تجاري او آسيب برساند. پيش بيني وضعيت برگشت موتور و همچنين شناسايي علل تاثيرگذار بر آن، ميتواند از افزايش هزينه ها جلوگيري نموده و رضايت مشتريان را درپي داشته باشد. داده كاوي، فرايندي است كه اطلاعات مفيد را از پايگاه داده استخراج مي كند بطوريكه مي تواند جوابگوي سوالات پيچيده اي باشد كه علم آمار از پاسخگويي به آنها عاجز است. كشف دانش از اين داده ها ميتواند به متخصصين جهت شناسايي علل رخداد، تشخيص و پيش بيني برگشت موتور كمك نمايد. تعداد نمونه هاي موجود در اين مقاله 23001 ركورد و 19 ويژگي مي باشد. از الگوريتم آناليز مولفه ها اصلي، براي شناسايي عوامل موثر بر برگشت موتور و كاهش تعداد ويژگي ها استفاده شده است. قوانين مفيدي از درخت تصميم گيري استخراج شد و همچنين دقت بالاي مدل بدست آمده، نشان مي دهد كه ميتوان در تصميم گيري هاي حساس از آن استفاده نمود.

The highly competitive environment among car manufacturers, cost and quality has become the most important challenge for automakers. Reducing the cost and production of a high quality product in accordance with the customer's demand requires an accurate research, mastering manufacturing Processes and market studies. One of the concerns of any manufacturer is the return of the product due to qualitative defects that, in addition to increasing cost, can damage its brand credibility. The prediction of the engine's return status, as well as the identification of factors affecting it, can prevent cost increases and lead to customer satisfaction. Data mining is a process that extracts useful information from the database. Data mining can be responsive to complex questions that statistics science fails to answer. Discovering the knowledge of this data can help professionals to identify the causes, detection and prediction of engine return. The number of samples in this article is 23001 records and 19 attributes. The PCA model was used to identify the factors affecting the return of the engine and the reduction of the number of features. Useful rules have been extracted from the decision tree. The accuracy of the obtained model shows that sensitive decisions can be made.