انتخاب الگوي مناسب پيش‌بيني ميزان خرابي تراكتور مسي فرگوسن 399 در استراتژي‌هاي مختلف نگهداري

Selection of the Suitable Model for prediction of MF399 Tractor Failure Rate in Different Maintenance Policies

امروزه با مكانيزه شدن سيستم‌هاي كشاورزي، انجام به‌موقع فعاليت‌ها، نيازمند برنامه‌ريزي صحيح ماشيني است. براي برنامه‌ريزي صحيح، بايد از زمان دقيق توقف ماشين‌ها اطلاع داشت. در همين زمينه، مطالعه‌اي براي پيش‌بيني دقيق ميزان تراكتور مسي‌فرگوسن 399 براي دو استراتژي نگهداري اصلاحي و پيش‌گيرانه در استان خوزستان برنامه‌ريزي و اجرا شد. براي اين منظور، الگوهاي رگرسيون ARIMA و نمايي، برآورد و بهترين الگو انتخاب شد. بررسي آزمون تصادفي بودن (دوربين واتسون) سري‌هاي هر دو استراتژي مبين غيرتصادفي بودن آن‌ها بود. بر اساس نتايج حاصل از محاسبة معيار كمترين خطاي پيش‌بيني، براي پيش‌بيني سري‌هاي استراتژي نگهداري اصلاحي و پيش‌گيرانه الگوي ARIMA به‌عنوان روش برتر در مقايسه با ساير روش‌ها شناخته شد؛ لذا استفاده از روش مذكور، به شرط ثابت بودن شرايط، نتايجي با كمترين خطا به‌دست خواهد داد. بر اساس نتايج حاصل از پيش‌بيني متغير ميزان خرابي، مشخص شد كه تفاوت چنداني در ويژگي‌هاي ميزان خرابي واقعي و ميزان خرابي پيش‌بيني‌شده تراكتور وجود ندارد، كه اين امر بيان‌كنندة دقت بالاي پيش‌بيني با استفاده از مدل ARIMA است.

Today, in mechanized farming systems, on time performance of operations requires correct machine programming. For proper planning, it is necessary to know the exact downtime of the machines. In this regard, the study was conducted to accurate predicting of MF399 tractor failure rate for both of corrective and preventive maintenance policies in Khuzestan province. For this purpose, Exponential and ARIMA were as the models applied for prediction. Results of Durbin-Watson tests, failure rate of corrective and preventive maintenance policies series were found non stochastic and predictable. Based on the lowest prediction error criterion, ARIMA is the best model for predicting failure rate of CM and PM policies series. Hence, using the prediction method can effect on different policies about failure rate via predicting the fluctuation variables. According to the results of failure rate prediction, it was found that there is no significant difference between statistical descriptive measures of predicting and actual tractor failure rate that it represents high accuracy of predicting via ARIMA model.