مقاله ارائه یک راهکار جهت استفاده از تکنیک های داده کاوی در فرآیند نگهداری و تعمیرات

word قابل ویرایش
12 صفحه
دسته : اطلاعیه ها
12700 تومان
127,000 ریال – خرید و دانلود

ارائه یک راهکار جهت استفاده از تکنیک های داده کاوی در فرآیند نگهداری و تعمیرات

چکیده
در سال های اخیر ما شاهد تغییرات فراوان و عمیقی در فرآیند تولیدات صنعتی بوده ایم . نیاز به افزایش راندمان، انعطاف پذیری بیشتر، کیفیت بهتر و هزینه های کمتر باعث این تغییرات و در نتیجه موجب پیچیدتر شدن ساختارهای صنعتی شده است . این پیچیدگی ها باعث افزایش فشار روی سیستم های تولیدی، و به دنبال آن در سیستم های نگهداری تعمیرات تجهیزات کارخانه ها شده است .
سیستم های تولیدی همواره از هزینه های نگهداری بالایی برخوردار هستند، این هزینه ها ،ناشی از زمان صرف شده جهت تعمیر تجهیزات مورد نظر است . با طبقه بندی تجهیزات از نقطه نظر زمان مصرف شده جهت انجام فرآیند تعمیرات روی آنها ، می توان افزایش هزینه هارا تشخیص داد و دریافت که هزینه ها با زمانی که هیچ گونه تولیدی نداریم یا تولید نامرغوب داریم و همچنین هزینه ی صرف شده در عملیات تعمیر، مطابقت دارد. معمولا” درکارخانجات صنعتی ، از اطلاعات جمع آوری شده در فرآیند تعمیر و نگهداری تجهیزات بخوبی استفاده نمی کنند. همواره اطلاعات جمع آوری شده پیرامون یک موضوع مشخص می تواند حاوی دانشی مفید در رابطه با آن حوزه باشد. این دانش ، دقیق تر و جامع تر است اگر سابقه اطلاعاتی جمع آوری شده پیرامون آن موضوع، قدیمی تر، گسترده تر و حجیم تر باشد. داده کاوی روشی است که به کمک آن می توان دانش نهفته در اطلاعات را استخراج کرد. در این مقاله قصد داریم یک معماری جهت طراحی و پیاده سازی یک سیستم نگهداری تعمیرات پیشگویانه مبتنی بر روش های داده کاوی ارائه نمائیم . این سیستم که بصورت نامتمرکز عمل می کند قادر است ، با طبقه بندی تجهیزات بر اساس سابقه تعمیراتی آنها، بهترین زمان برای تعمیر تجهیزات را پیشنهاد نماید. برای ارزیابی عملکرد معماری ارائه شده، از داده های جمع آوری شده از محیطهای واقعی استفاده شده است ، نتیجه طبقه بندی صورت گرفته نشان از دقت مناسب معماری مورد نظر در فرآیند طبقه بندی دارد.

کلمات کلیدی : مدیریت ، نگهداری تعمیرات، معماری نرم افزار، داده کاوی

١- مقدمه
در عصر حاضر و در حالی که کارخانجات صنعتی بزرگ به دنبال ایجاد تغییرات در درون خود هستند تا بتوانند در رقابت با سایر رقبای خود در تحولات جهانی شدن موفق گردند این بحث نگهداری تعمیرات است که بطور جدی و مؤثر مسیر استراتژی تولید را در کارخانه های صنعتی مشخص می نمائید. امروزه ، کارخانه های صنعتی به شدت درگیر مباحثی همچون کاهش هزینه ها، توان رقابت بالا، بهبود مستمر، بحران انرژی و افزایش کیفیت و کمیت محصولات هستند که در این راستا اندیشیدن پیرامون نگهداری تعمیرات به عنوان یک امر استراتژیک جهت رسیدن به اهداف فوق بسیار مهم و انکار ناپذیر جلوه میکند.
همواره رقابت ، عامل فشار برکارخانجات تولیدی بوده است . به منظور کنترل و مدیرت این فشار، کارنجات تولیدی می بایست ضمن کاهش هزینه ها، کیفیت و راندمان محصولات خود را افزایش داده و انعطاف پذیر نیز باشند [ ١۴،٢].
کارخانجات صنعتی برای موفق شدن در این رقابت باید از عهده ی بر آورده کردن نیاز بازار برآیند بر این اساس در روال تولیدی خود باید موارد جدیدی مانندJIT (فقط در زمان) و MTO (ساخته شده برای سفارش )، بالا بردن کارایی ، تولیدات سریع یا تولیدات آموزشی را لحاظ کنند.
این وضعیت به آنها اجازه می دهد که در بازارها با یک تنوع گسترده و طیف وسیعی از تولیدات، رقابت کنند و جنبه های رقابتی بیشتری پیدا کنند.
با توسعه فن آوری اطلاعات میزان و سرعت دسترسی به اطلاعات بطور فوق العاده ای افزایش یافته است . از طرفی پیشرفت تکنولوژی نیز منجر به افزایش دستیابی مؤسسات و سازمانها به منابع وسیع اطلاعاتی شده و امکان تحقیق و بررسی موضوعات مختلف را برای سازمان ها فرآهم نموده است [ ١٠]
ناقص بودن داده ها و یا عدم وجود دانش کافی در تحلیل ، استفاده راهبردی از اطلاعات را در بسیاری موارد نا ممکن و به یکی از چالشهای مدیریتی تبدیل کرده است .[١٩] با توجه به مطالب مطرح شده نکته قابل توجه در سناریو جدید پیرامون مدیریت نگهداری تعمیرات آماده و در دسترس نگهداشتن تجهیزات در زمان نیاز است .
یک کارخانه بسیار بزرگ با چندین هزار دستگاه متنوع از پیچیدگی بالایی در فعالیت نگهداری تعمیرات (نت ) برخوردار است .
تصمیم گیری پیرامون استراتژی نت نیازمند دانشی است که مطبق بر واقعیت سازمان باشد. از طرف دیگر کسب دانش مفید نیازمند استفاده و تحلیل صحیح از داده ها می باشد. لذا استفاده از داده ها و اطلاعات و چگونگی کار با آنها در طول مراحل پیاده سازی استراتژی نگهداری و تعمیرات از جایگاه ویژه ای برخوردار است .[ ١٢و١١].
ما قصد داریم در این مقاله با ارائه یک معماری سازمانی به کمک داده های جمع آوری شده یکپارچه در یک کارخانه صنعتی بزرگ، یک استراتژی نگهداری تعمیرات غیر متمرکز پیشگویانه مبتنی بر داده کاوی ، جهت افزایش قابلیت اطمینان تجهیزات ارائه نمائیم .

٢- نگهدای و تعمیر (نت )
برنامه ریزی نگهداری و تعمیرات با کنترل تجهیزات و ماشین آلات تولیدی از نظر برنامه زمانبندی تعمیراتی و تعویض قطعات و با استفاده از تجزیه و تحلیل داده های مربوط به نگهداری تعمیرات ، سعی دارد، هز ینه های تعمیراتی را کاهش دهد و در سطح بهینه نگه دارد. با گسترش اتوماسیون صنایع و افزایش تعداد ماشین آلات و تجهیزات فیزیکی کارخانه ها، حجم سرمایه گذاری در ماشین آلات و دارای یهای فیزیکی سازما نها رشد روز افزونی داشته است و متعاقب آن هزینه های نگهدار ی و تعمیرات آنها نیز حجم زیادی از هزینه های سازمان ها را شامل شده است . افزایش هزینه های نگهداری تعمیرات نیز موجب توجه بیشتر مدیریت بر این موضوع شده و سازمان ها را واداشته است که به دنبال کسب سود و کاهش هزینه در بخش های نگهداری و تعمیرات خود باشند همچنین نگهداری و تعمیرات نقش مهمی در حفظ قابلیت اطمینان، در دسترس بودن، کیفیت تولیدات، کاهش ریسک، افزایش بازدهی و امنیت تجهیزات بر عهده دارد.
فرآیند نگهداری تعمیر معمولا” توسط مجموعه ای از عملیات تعمیر و نگهداری و فرآیند مهندسی در طبقه ای از ماشین ها و تجهیزات، انتخاب و شکل ی م یگرد[١٢, ١٣،۴] .

سه نوع عمومی از نگهداری و تعمیرات جود دارد که عبارتند از : نگهداری و تعمیرات اصلاحی ، در این روش افراد تا قبل از وقوع خرابی هیچ کاری انجام نمی دهند و پس از بروز توقف جهت تعمیر دستگاه اقدام می شود . مشکل عمده این روش این است که فرایند تولید در کارخانه کاملا تصادفی است و قابل پیش بینی نیست . این روش همچنین سبب افزایش سطح تعمیر و نگهداری شده که منجر به آسیب های فاجعه آمیزی درکل سیستم می شود [١۶].
نگهداری و تعمیرات پیشگیرانه ، این رویکرد بر مبنای ویژگی قابلیت اطمینان طرح ریزی شده است . در این روش، نگهداری از تجهیزات در دوره های زمانی خاصی بر اساس یک برنامه زمانبندی منظم صورت می گیر د .در این سیاست سعی می شود تا با یک سری از بررسی ها و جایگزینی ها و بازرسی های مجدد برای اجزائی که نرخ خرابی بالایی دارند، تعداد خرابی های ناگهانی را کاهش دهند .
نگهداری پیشگیرانه در بسیاری از صنایع مورد استفاده قرار می گیرد .ولی اجرا کردن موثر آن نیازمند یک سیستم پشتیبانی تصمیم می باشد. تعمیر و نگهداری حفاظتی ، که برای عملیات تعمیر و نگهداری دوره ای به منظور جلوگیری از آسیب به تجهیزات یا طبقه بندی ماشین ها براساس کاربرد آن در دستورالعمل های تولیدی تعیین شده است [۶].
نگهداری تعمیرات پیشگویانه ، در این روش عمر قسمتهای مهم بر اساس تعمیرات پیشگیرانه و بازرسی ها
محاسبه شده و بر اساس آن بصورت منظم تعمیرات انجام می شود :
تعمیرات پیشگویانه یک روش تعمیر مبتنی بر شرایط ( Condition Based Maintenance) است . در این روش میزان پارامترهای دستگاه در شرایط طبیعی محاسبه می گردد . مقادیر بدست آمده به عنوان مبنا درنظر گرفته می شود و در زمان استفاده از دستگاه مورد نظر مجددا مقدار پارامترهای مورد نظر محاسبه می شوند و با مقایسه با میزان مبنا خرابی و علت آنمرا محاسبه می نمایند.
٣- داده کاوی (Data Mining)
داده کاوی عبارت است از فرآیند (نیمه )خودکار استخراج دانش (در قالب الگوهای پنهان) از مجموعه اطلاعات ورودی .
معمولا آگاهی اندکی در مورد دانش هدف وجود دارد و ورودی عمدتا بسیار حجیم و پردازش دستی آن ناممکن است . نتایج حاصل از داده کاوی، با روشهای سنتی پردازش اطلاعات (گزارش گیری) قابل دستیابی نیست وخودکار یا نیمه خودکار بودن داده کاوی به معنای حداقل نیاز به دخالت کاربر است و انواع اطلاعات (و نه صرفا اطلاعات عددی ) در داده کاوی قابل پردازش می باشند.
امروزه پایگاه داده ها با همه نواحی کاری پیوند خورده اند، بنحوی که این امر باعث بوجود آمدن انبوهی از داده ها شده است . اگرچه وجود مقادیر زیادی از داده ها به تنهایی نمی تواند بر فراگیری اطلاعات دلالت داشته باشد، با این وجود اولین گام در بدست آوردن اطلاعات، دانش و آگاهی است .[١۵].
داده کاوی را می توان یک شاخه از یادگیری ماشین دانست . به دلیل عدم وجود یک چارچوب تئوریک برای داده کاوی، در نظر گرفتن آن به عنوان زیر مجموعه ای از یادگیری ماشین می تواند مورد بحث قرار گیرد. تلاشهای اندکی برای توسعه یک چارچوب تئوریک برای داده کاوی انجام گرفته است که این میزان تلاش کافی نبوده و به نتیجه قابل قبولی نرسیده است .
تفسیر داده کاوی به عنوان زیر مجموعه ای از آمار، چندان قانع کننده نیست : مسائل با فضای حالت دارای ابعاد زیاد مهمترین وجه این تمایزند و همچنین تفسیر داده کاوی به عنوان فرآیندی جهت تخمین تابع توزیع احتمال توأم نمونه ها درست نیست چرا که تکراری بودن داده کاوی چنین طبقه بندی را رد می کند. [٣]
به طور کلی داده کاوی، پردازش تحلیل داده ها از جنبه های مختلف ، دسته بندی آن ها و خلاصه کردن پیوندها با توجه به بازگشت اطلاعات مفید و قابل استفاده تعریف می شود.[ ٨]
مراحل یک فرایند داده کاوی در شکل (١) نمایش داده شده است . هریک از مراحل ، با مشکلات خاص خود مواجه است . پیش پردازش و انتخاب اطلاعات، معمولا حجم عمده کار را به خود اختصاص می دهندو بازنمائی دانش ، به خصوص در مورد داده کاوی، در موارد متعددی هیچ راه حل قابل قبولی ندارد.

شکل ١ : مراحل

انواع مختلفی از الگوریتم های دادهکاوی وجود دارند. مدلهای مشهور، از قوانین و درخت های تصمیم ، رگرسیون و کلاسه بندی غیرخطی ، متدهای مبتنی بر مثال (شامل متدهای نزدیکترین همسایه و استنتاج بر اساس مورد(Case-base reasoning))، مدلهای آماری (نظیر شبکه های بیز، تابع توزیع احتمال نرمال، تابع توزیع احتمال χ۲ و…) و مدلهای یادگیری رابطه ای (نظیر برنامه نویسی منطقی استنتاجی )، استفاده می کنند. لازم به ذکر است که هر تکنیک برای انواع مختلفی از مسایل بهتر از سایر تکنیک ها عمل می کند. برای مثال کلاسه بندیهای درخت تقسیم برای پیدا کردن ساختار در فضاهای با ابعاد بالا و همچنین در مسایل با داده هایی که می توانند پیوسته یا طبقه بندی شده باشند، مفید خواهد بود (زیرا متدهای بر پایه ی درخت نیاز به فواصل متریک ندارند)، در حالی که این درخت ها برای مسائلی که نیاز به مرزبندی دقیق بین کلاس ها دارند، مفید نمی باشد. بنابراین هیچ متد داده کاوی واحدی نمی تواند وجود داشته باشد و انتخاب یک الگوریتم مشخص برای کاربردهای ویژه نیاز به مهارتهای خاصی دارد.

۴- معماری پیشنهادی
پیرامون استفاده از شیوه های داده کاوی در بهبود فعالیت های تولیدی در کارخانه های صنعتی مقالات فراوانی ارائه شده است [٧] .
این شیوه ها آنقدر عمومیت ندارند. برای این منظور ما از شیوه هایی برای بهبود ظرفیت تولید ، از رفتارهای پیش بی ی ن شده براساس داده های قدیمی استفاده می کنیم . ما در این مقاله قصد داریم تا با استفاده از اطلاعات جمع آوری شده پیرامون فرآیند تعمیرات و سابقه تعمیراتی تجهیزات، یک برنامه زمانبدی برای تعمیرات پیشگویانه برای تجهیزات موجود در کارخانه ارائه نمائیم . در همین راستا قصد داریم پیشنهادهایی برای بکارگیری تکنیک های داده کاوی که شامل درختهای تصمیم گیری و شبکه های عصبی برای پیش بی ی ن اجزای آسیب دیده بر اساس اطلاعات جمع آوری شده بکمک حسگرها موجود در سطح کارخانه ، ارائه نمائیم . در موارد دیگر از بکار گیری شبکه های عصبی برای پیش بینی اثرات نگهداری و تعمیرات استفاده شده است .
تکامل تدریجی که باعث افزایش شمار داده های جاری از همه پردازش های سازمان دهی شده مانند تولید، پردازش طرح ریزی مواد، کنترل، اسمبلی ، زمان بندی، تعمیر و نگهداری، بازسازی و غیره شده است [٧] و شامل تعمیر و نگهداری غیرفعال و حفاظتی و پیش بی ی ن شده، باعث شده است کارخانجات تعداد زیادی از اطلاعات را در یک پروفایل ذخیره کرده و برای ساختن سیستم ذخیره سازی در آینده مورد استفاده قرار دهند.
معمولا” کارخانجات، اطلاعات حاصل از تعمیر و نگهداری خودشان را بروز نمی دهند. این امر به این جهت است که یک معماری سازمان دهی شده که مجموعه ای از داده های تولید شده در کارخانه را که ناشی از عملکرد تعمیر و نگهداری آنهاست را جمع آوری نمی کند.
پیشنهاد این است که یک سیستم تعمیر و نگهداری پیشگویانه نامتمرکز بر اساس تفکر داده کاوی مشابه با آنچه که عملکرد کارخانجات مجازی را حمایت می کند توسعه داد.

سیستم پیشنهادی بر پایه سه بخش پردازشی اصلی طراحی شده است که عبارتند از مدیریت داده ها ، ارتباطات وشناسایی سیستم پیش بی ی ن ، اطلاعات ترکیبی و تولید رویداد نت . به شکل ١ توجه نمائید. بخش مدیریت داده ها عهده دار جمع آوری اطلاعات جاری و ارسال آنها به لایه بعدی است . این بخش وظایف مختلی دارد که از جمله این وظایف می توان به :

١- تحلیل و طبقه بندی اطلاعات، تحلیل و تبدیل اطلاعات درخواستی و شکل دهی به عنوان خروجی یک مجموعه طبقه بندی شده.
٢- مدیریت و انتخاب اطلاعات، پردازش اطلاعات جمع آوری شده توسط واسطه ها تشکیل می شود که مسئول وفق دادن و تبدیل کردن اطلاعات هستند. حتی وقتی که اطلاعات در محدوده ی کارخانه از طریق اپراتور تعمیر و نگهداری جمع آوری شده باشد ، این اطلاعات باید توسط واسطه های نرم افزار برای وفق دادن و تبدیل کردن ساختار اطلاعات به یک مبنای معنایی تفسیر شوند. واسطه های لایه محلی که باید اطلاعات را در یک ساختار داده عمومی به لایه بالاتر-لایه پیش ب ی نی – ارتقاء دهد را ترکیب می کنند. در این راستا XMLیک روش مناسب می باشد زیرا زبانی است که می تواند معناها را تفسیر کرده و داده ها را به خوبی ترکیب کند.
برای جمع آوری همه اطلاعات دریک فرمت عمومی از یک پایگاه داده استفاده شود. اطلاعات حاصل از لایه مدیریت داده ها (واسطه ) پس از وفق داده شدن و ذخیره شدن در یک پایگاه داده برای داده کاوی در اختیار لایه پش ی نیب ی گذاشته می شود.
بخش یا لایه پیش بینی دانش ، بخش اصلی سیستم پیشنهادی را تشکیل می دهد. طرح اصلی این بخش برای تولید آگاهی و استنباط رفتار تجهیزات است . این لایه نیز وظایف مختلفی به عهده دارد.
١- داده کاوی، ورودی این بخش اطلاعات جمع آوری شده توسط لایه مدیریت داده ها است و پس از اعمال روش های داده کاوی بر روی داده ها ، خروجی آن یک فعالیت سازماندهی شده جهت تفسیر داده ها و قوانین مربوط به آنها است .
٢- استخراج الگو، این بخش وظیفه دارد تا با بررسی اطلاعات نت ، تجهیزات روابط پنهان، پیرامون اطلاعات تجهیزات مورد نظر را کشف و رفتار کلی تجهزات را در قالب الگوهایی نمایش دهد. یکی از کاربردهاب اصلی این بخش تعیین زمان دقیق تعمیر تجهیزات است . در فرآیند نت تعمیر بموقع تاثیر بسزائی در کارائی تجهیزات، هزینه نت ، کیفیت و کمیت تولید و ایمنی استفاده کننده گان دارد. با استفاده از روش های داده کاوی می توان میزان انحراف از پارامترهای مبنا را به ازاء هر تجهیز محاسبه کرد و یک راهکار نت پیشگویانه مناسب ارائه کرد.

این فقط قسمتی از متن مقاله است . جهت دریافت کل متن مقاله ، لطفا آن را خریداری نمایید
word قابل ویرایش - قیمت 12700 تومان در 12 صفحه
127,000 ریال – خرید و دانلود
سایر مقالات موجود در این موضوع
دیدگاه خود را مطرح فرمایید . وظیفه ماست که به سوالات شما پاسخ دهیم

پاسخ دیدگاه شما ایمیل خواهد شد