تربیت و توسعه اندیشه فاخر آموزش، تربیت و توسعه پایدار 2 پیاپی ۵ 1403 03 20 Evaluation of Maintenance and Repair Planning for Banking ATMs Using Deep Learning Algorithms ارزیابی برنامه‌ریزی نگهداری و تعمیرات خودپردازهای بانکی با استفاده از الگوریتم یادگیری عمیق 1 18 FA فرحناز صالحی تیرگانی گروه مدیریت صنعتی ، واحد تهران مرکزی ، دانشگاه آزاد اسلامی، تهران ، ایران حسن مهرمنش گروه مدیریت صنعتی،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ، ایران سید عبداله امین موسوی گروه مدیریت فناوری اطلاعات ،واحد تهران مرکزی ،دانشگاه آزاد اسلامی ،تهران ، ایران Journal Article 1402/11/24 <p>This study aims to develop an intelligent model for predicting failures and optimizing maintenance scheduling of banking ATMs through deep learning algorithms and operational data analysis. A meta-synthesis approach was used to identify and categorize factors influencing ATM failures based on previous studies. Extracted indicators were classified into major and minor categories, and coding quality was assessed using the Kappa index. The Shannon entropy method was applied to determine the significance of each component. In the experimental phase, a deep neural network model with two hidden layers was implemented, using input features such as transaction logs, temperature, voltage, sensor states, and maintenance history. Model performance was evaluated using accuracy, mean squared error (MSE), and coefficient of determination (R²). Results indicated that variables such as withdrawn cash volume, internal temperature, population density around the installation area, and the type of last maintenance service were the most influential in predicting failures. The Kappa value of 0.82 demonstrated excellent inter-coder reliability. The proposed model accurately predicted potential failures within the defined time window. Shannon entropy analysis showed that the components of performance and transaction, hardware and sensors, and maintenance events carried the highest information weight. The application of deep learning algorithms in predictive maintenance of ATMs effectively reduces emergency repair costs, increases system reliability, and enhances customer satisfaction. The findings highlight that the CNN–LSTM hybrid model can be efficiently integrated into intelligent ATM monitoring systems for proactive maintenance planning.</p> <p>هدف این پژوهش ارائه مدلی هوشمند برای پیش‌بینی خرابی و برنامه‌ریزی بهینه نگهداری و تعمیرات خودپردازهای بانکی با بهره‌گیری از الگوریتم‌های یادگیری عمیق و تحلیل داده‌های عملکردی است. این پژوهش از روش فراترکیب (Meta-Synthesis) برای شناسایی و تحلیل عوامل مؤثر بر خرابی خودپردازها استفاده کرده است. داده‌ها از مطالعات پیشین استخراج و سپس در قالب مفاهیم مشابه دسته‌بندی شدند. برای ارزیابی کیفیت کدگذاری از شاخص کاپا و برای تعیین اهمیت مقوله‌ها از روش آنتروپی شانون استفاده گردید. همچنین در بخش تجربی، مدل شبکه عصبی عمیق شامل دو لایه مخفی با ورودی‌هایی از داده‌های تراکنش، دما، ولتاژ، وضعیت حسگرها، و تاریخچه سرویس دستگاه طراحی شد. معیارهای ارزیابی مدل شامل دقت، میانگین مربعات خطا (MSE) و ضریب تعیین (R²) بودند. نتایج نشان داد که متغیرهایی مانند حجم نقدی برداشت‌شده، دمای داخلی دستگاه، تراکم جمعیت منطقه و نوع سرویس اخیر از بالاترین اهمیت در پیش‌بینی خرابی برخوردارند. شاخص کاپا برابر با 0.82 بیانگر توافق عالی بین کدگذاران بود. مدل پیشنهادی توانست با دقت بالا خرابی‌های احتمالی را در بازه زمانی مشخص پیش‌بینی کند. تحلیل آنتروپی شانون نشان داد که مقوله‌های عملکرد و تراکنش، سخت‌افزار و سنسورها، و رویدادهای نگهداری بیشترین وزن اطلاعاتی را دارند. استفاده از الگوریتم‌های یادگیری عمیق در نگهداری پیش‌بینانه خودپردازها می‌تواند موجب کاهش هزینه‌های تعمیرات اضطراری، افزایش قابلیت اطمینان سیستم، و بهبود رضایت مشتریان گردد. نتایج پژوهش نشان می‌دهد که مدل ترکیبی CNN–LSTM می‌تواند به‌طور مؤثر در سامانه‌های پایش هوشمند خودپرداز و برنامه‌ریزی تعمیرات به کار گرفته شود.</p> https://www.journaltesd.com/index.php/tesd/article/download/244/201