تعمیرات و نگهداری پیش بینی کننده در برنامه ریزی و کنترل تولید با رویکرد یادگیری ماشین

تحقیقات در زمینه مدیریت عملیات، اغلب بر تناسب سیستم برنامه‌ریزی و کنترل تولید (ppc) با سیستم‏های تولید متمرکز است. سطح تناسب، اغلب در کارایی، سودآوری و دوام بلندمدت یک شرکت تولیدی تاثیر‏گذار است. از طرفی شرایط متغیر جهانی، مدیران برنامه‌ریزی و کنترل تولید (ppc) را با چالش‏های جدی مواجه می‏کند. این امر پیچیدگی‌های بیشتری به برنامه‌ریزی و کنترل تولید می‌افزاید و منجر به اتلاف زمان و منابع می‌شود. همچنین سیستم‌های برنامه‌ریزی منابع سازمانی (erp) که برای هماهنگی فعالیت‌های حوزه ppc استفاده می‌شوند، تصمیم‌گیری در زمان واقعی را پشتیبانی نمی‌کنند و ناکارآمد هستند. بر این اساس به منظور رفع این نقاط ضعف، سیستم‌های اجرای تولید (mes) و سیستم‏های برنامه‌ریزی پیشرفته (aps) توسعه یافته‌اند. هدف این تحقیق با تمرکز بر تشخیص خرابی ماشین‌آلات بر اساس نوع خرابی، به جلوگیری از کاهش راندمان تولید، بیکاری اپراتورها و هزینه‌های بالای تعمیرات قبل از وقوع خرابی کمک می‌کند. مدلسازی این مسئله با مدل‏های مختلفی از یادگیری ماشین (machine learning) مانند knn، xgboost، رگرسیون خطی، درخت تصمیم، lgbm، جنگل تصادفی انجام شد تا بدینوسیله بتوان بهترین الگوریتم را شناسایی شود. نتایج نشان داد که مدل‌های lgbm و xgboost از لحاظ دقت بهترین عملکرد را دارند.

predictive maintenance in production planning and control with a machine learning approach

the application of predictive maintenance in production planning and control systems using machine learning techniques. traditional systems often struggle to adapt to market fluctuations, leading to decreased efficiency and increased costs. the study aims to create an intelligent framework that accurately predicts equipment failures, optimizing production processes and reducing maintenance expenses. by employing advanced machine learning models such as xgboost and lightgbm, the research demonstrates high accuracy in identifying various types of machine failures, significantly outperforming traditional methods. the findings reveal that these algorithms enhance maintenance strategies and contribute to advancements in industry 4.0 by promoting smarter manufacturing systems. the methodology involved analyzing a dataset from kaggle, which included 10,000 rows and various features related to machine performance. several machine learning algorithms were evaluated, with xgboost achieving an average accuracy of 98.36% and lightgbm showing similar results. however, challenges remain in accurately predicting less common failure types. the study emphasizes the need for future research to focus on developing sustainability metrics, flexible scheduling models, and cross-industry applications to further enhance predictive maintenance strategies in manufacturing environments. keywords:machine learning, production planning;smart, predictive maintenance.