|
|
|
|
یک مدل آماری و هوشمند برای تشخیص نقاط خرابی در نگهداری و تعمیرات پیشگویانه
|
|
|
|
|
|
|
|
نویسنده
|
ملاوردی ناصر ,خوش‌سیرت مبینا ,خاشعی مهدی
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1401 - دوره : 38-1 - شماره : 2 - صفحه:47 -57
|
|
چکیده
|
امروزه نگهداری و تعمیرات اهمیت بسیاری در صنایع تولیدی پیدا کرده است. یک راه‌حل کارا به منظور جلوگیری از توقف فرایندهای تولید، پیش‌بینی خرابی تجهیزات است. در این مقاله، به منظور تشخیص زمان انجام اقدامات نگهداری و تعمیرات چارچوبی پیشنهاد شده تا حتی‌الامکان از توقف در فرایند جلوگیری شود. لذا هدف اصلی این پژوهش، ارائه‌ی یک مدل آماری و هوشمند برای تشخیص نقاط خرابی در زمینه‌ی نگهداری و تعمیرات پیشگویانه است. در نهایت عملکرد مدل پیشنهادی با سایر شیوه‌های داده محور به صورت تکی و ترکیبی، شامل مدل‌های لاجیت، ماشین بردار پشتیبان و شبکه‌های عصبی پرسپترون چندلایه است، مقایسه شده است. نتایج حاکی از آن است که مدل ماشین بردار پشتیبان در مقایسه با مدل‌های تکی و ترکیبی سری، از دقت بالاتری برخوردار است و نیز نتایج نشانگر کارآمدی و کارایی ساختار ترکیب موازی پیشنهادی در مسائل مدل‌سازی و پیش‌بینی است.
|
|
کلیدواژه
|
نگهداری و تعمیرات پیشگویانه، پیش‌بینی، یادگیری ماشین، ساختار ترکیب
|
|
آدرس
|
دانشگاه صنعتی اصفهان, دانشکده‌ی مهندسی صنایع و سیستم‌ها, ایران, دانشگاه صنعتی اصفهان, دانشکده‌ی مهندسی صنایع و سیستم‌ها, ایران, دانشگاه صنعتی اصفهان, دانشکده‌ی مهندسی صنایع و سیستم‌ها, ایران
|
|
پست الکترونیکی
|
khashei@cc.iut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a statistical-intelligent model for detecting failure points in predictive maintenance
|
|
|
|
|
Authors
|
|
|
Abstract
|
today, maintenance and repair have become very important in the manufacturing industry. an efficient solution to prevent downtime is to predict equipment failure. therefore, accurate and correct prediction of breakdown events in the field of predictive maintenance can be very useful. in general, each prediction will be accompanied by a certain amount of error, which in various ways tries to control this error or limit it to a reasonable amount. in this thesis, a framework has been proposed that specifies when the system under review will need maintenance and repairs to prevent downtime as much as possible. therefore, the main purpose of this thesis is to design and implement an efficient combination structure to accurately predict failure events using both standard statistical standard models and machine learning in predictive maintenance. the literature review results indicate that the use of these methods in recent years has led to extensive advances in the field of providing accurate forecasts and subsequently improved the level of decisions made by managers and decision-makers. the proposed model is used to predict failure events in benchmark data related to the truck air pressure system. finally, the performance of the proposed model is compared with other data-driven techniques individually and in combination, which includes logit models, support vector machines, and multilayer perceptron neural networks. according to the numerical values obtained from the final analysis, the results indicate that the backup vector machine model has higher prediction accuracy than other single models, and also the results indicate the efficiency and effectiveness of the proposed parallel combination structure compared to the use of models individually and in series combination in modeling and forecasting issues. the parallel hybrid model improved the accuracy of predictions by an average of 11% in test data and 7% in training data. therefore, due to the greater accuracy in combining classical statistical models and machine learning in parallel, the use of this combined method to improve the accuracy of predictions in the field of predictive maintenance is recommended for future studies.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|