تحلیل الگوی عیب‌یابی مبتنی بر اطلاعات عملکردی ماشین (موردمطالعه: لکوموتیوهای زیمنس راه‌آهن ایران)

یکی از مراحل مهم در نت تجهیزات، انجام فرایند عیب‌یابی به‌صورت صحیح است. عیب‌یابی تجهیزات پیچیده صنعتی همچون لوکوموتیوها فرایند دشواری است. عدم‌تشخیص به‌موقع علت خرابی لکوموتیو، علاوه بر کاهش زمان دسترسی، باعث اختلال در شبکه ریلی، افزایش توقف‌ مازاد قطارها و موارد نامطلوب دیگر می گردد. با پیشرفت‌هایی که در سال‌های گذشته حاصل شده است، حجم داده‌های ذخیره‌شده در لکوموتیوهای جدید در حال افزایش است. با روش‌های متفاوتی می‌توان دانش موجود در داده‌ها را کشف نموده و در جهت افزایش بهره‌وری سازمان  استفاده کرد. با تحلیل الگوی عیب‌یابی لکوموتیوها می‌توان علت بسیاری از خرابی‌ها را کشف نموده و زمان انجام تعمیرات را کاهش داد.  از روش‌های موجود، می‌توان به تکنیک‌های داده‌کاوی اشاره کرد. پژوهش حاضر با بهره‌گیری از داده‌کاوی و الگوریتم اپریوری، به کشف قواعد معنادار از داده‌های موجود در لکوموتیوهای زیمنس راه آهن ایران، با هدف ارتقای کارایی فرایند عیب‌یابی، می‌پردازد. حاصل این پژوهش کشف 20 رخداد پرتکرار در لکوموتیوهای مسافری، 18 قانون دو مولفه‌ای و 2 قانون سه مولفه‌ای بوده و دستاورد کلیدی آن، بهبود نت لکوموتیوها در طی یک بازه زمانی کوتاه در ناحیه شمال شرق1 راه‌آهن جمهوری اسلامی ایران است. براساس پیش بینی انجام شده، استفاده از قوانین کشف شده در آینده می تواند موجب حذف بسیاری از توقف های خارج از برنامه قطارهای مسافری شده و همچنین هزینه نت لکوموتیوها را به میزان قابل توجهی کاهش دهد. برآورد می شود فقط استفاده از یکی از قانون های ذکر شده به تنهایی می تواند در هر سال حدود ده میلیارد ریال از هزینه های راه آهن ایران بکاهد.

Pattern Analysis of Failure Detection Based on the Machine Performance Data (Case Study: Siemens Locomotives of Iran Railway)

Failure detection of complex industrial equipment such as locomotives is a challenging tack in maintenance process. Failure to timely diagnose the cause of locomotive failure, in addition to reducing access time, will cause disruption to the rail network, increase excess train stops and other adverse events. With the advances made in recent years, the amount of data stored in new locomotives is increasing. In different ways, the knowledge contained in the data can be extracted and used to increase the productivity of the organization. By pattern analysis of failure detection of locomotives, the cause of many failures can be discovered and repair time can be reduced. Among the available methods, data mining techniques can be mentioned. The present study uses data mining and Apriori algorithm to discover meaningful rules from the data in locomotives, with the aim of improving the efficiency of the failure detection process. The result of this study is the discovery of 20 frequent occurrence in passenger locomotives, 18 twocomponent laws and 2 threecomponent laws, and its key achievement is the improvement of locomotives maintenance in a short period of time in the Railway of the northeastern region of Iran. Use of the discovered laws in the future can eliminate many outofschedule stops of passenger trains and also significantly reduce the cost of locomotive maintenance. It is estimated that using only one of the mentioned laws alone can reduce the cost of Iran’s railways by about ten billion rials per year.