بدست آوردن داده با کیفیت بالا اولین گام در جهت ساخت یک مدل پیش بینی مناسب و قوی می باشد.پاکسازی داده شامل تشخیص و تصحیح داده های خراب و ناسالم و ناهمگون در بین مجموعه داده های اکتساب شده است.داده های دارای ایراد بایستی تشخیص داده شود برای یکسان سازی یا باید حذف شوند یا اینکه به فرمت مورد نظر تصحیح شود تا مجموعه داده یکسان و همسانی برای ادامه کار در اختیار باشد[۱۸].
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
در این بخش می توان از نرم افزارهای آماری مختلف برای دقت و تسریع در کاراستفاده نمود.
-
- آنالیز داده
استفاده از انواع آنالیز داده بسته به نوع داده ای است که جمع آوری شده است.در زمینه نگهداری و تعمیرات داده ها در سه دسته متفاوت قرار می گیرند[۱۸].
-
-
-
- داده های موجی(مانند داده های لرزش و صوت)
-
- داده های عددی(مانند داده های فشار ، دما و …)
-
- داده های چند بعدی(ماننده داده های ترموگرافی ، مادون قرمز و …)
-
-
-
- تصمیم گیری نگهداری
بعد از اینکه داده ها جمع آوری و تفسیر شد مدل پشتیبان تصمیم ساخته خواهد شد.این مدل به کاربران در تصمیم گیری با بهره گرفتن از هشدارهایی که از وقوع خرابی می دهد کمک خواهد کرد.روش های مختلفی برای پیش بینی عمر باقیمانده از تجهیز وجود دارد که بعد از انتخاب روش یا روش های مناسب یک مدل پشتیبان تصمیم برای پیش بینی وقوع خرابی طراحی خواهد شد[۱۸].
تشخیص و پیش بینی دو گام مهم در طراحی مدل هستند.در سیستم آنالیز تشخیص تنزل سطح پارامترها مورد توجه است به این شکل که شرایط غیرطبیعی تشخیص داده می شوند ، سپس قطعه یا تجهیز رو به خرابی تشخیص داده شده و در نهایت خرابی بخش یا ماژول اساسی ارزیابی و تشخیص داده می شود.
پیش بینی به توانایی تشخیص سریع و زود تر از موعد خرابی تجهیزات و ماشین آلات بر می گردد.و اینکه فرایند خرابی قبل از وقوع بررسی و پیش بینی گردد.به عبارت دیگر وقوع زمان خرابی قبل از رخداد آن قابل برآورد باشد.
این برآورد وقوع خرابی می تواند به زمانبندی برای تعمیر و نگهداری ، کاهش هزینه نگهداری و افزایش در دسترس بودن کمک شایانی نماید.
در کل دو نوع پیش بینی وقوع خرابی برای تجهیزات و ماشن آلات وجود دارد.نوع اول پیش بینی عمر مفید باقیمانده از تجهیز است.که نشان می دهد چه مدت زمانی مانده تا تجهیز در آستانه خرابی قرار بگیرد.
نوع دوم شانس و احتمال کارکرد مناسب و صحیح تجهیز بدون خرابی و یا نزدیک شدن به وقوع خرابی را محاسبه می نماید.
۲-۸-۲-طراحی مدل پیش بینی
اگرچه روشها و تکنیکهای متنوع و متفاوتی برای طراحی مدل پیش بینی وقوع خرابی مورد استفاده قرار گرفته است اما همه آنها بطور کلی در سه دسته قرار می گیرند که عبارتند از مدل فیزیکی، مدل مبتنی بر دانش و مدل مبتنی بر داده[۱۸].
مدل فیزیکی
در مدل فیزیکی از مدلهای ریاضی مرتبط با فرآیندهای فیزیکی که بطور مستقیم یا غیر مستقیم روی سلامت و کارکرد تجهیزات اثر دارند استفاده می شود .
مدل مبتنی بر دانش
مدل مبتنی بر دانش براساس دانش قبلی مرتبط با تجهیزات و قطعات کار می کند.سیستمهای خبره و فازی دو روش معمول دراستفاده از این مدل می باشند.
مدل مبتنی بر داده انباشته
مدلهای مبتنی بر داده مدلهایی هستند که هم از ورودیهای پیشین و هم از خروجی های قبلی استفاده می کنند و هدف اصلی این مدلها استخراج یک رابطه بین ورودی و خروجی های اندازه گیری شده با بهره گرفتن از تکنیکهای آماری و یادگیری می باشد.
۲-۸-۳-داده کاوی
داده کاوی عبارت است ازاستخراج اطلاعات و دانش و کشف الگوهای پنهان از پایگاه داده‌های بسیار بزرگ. به طور کلی، داده کاوی (که گاهی اکتشاف داده یا دانش هم نامیده می شود)، فرایند تحلیل داده ها از منظرهای متفاوت و خلاصه کردن آنها در اطلاعات قابل استفاده است . اطلاعاتی که می تواند در افزایش درآمد، کاهش هزینه ها و یا هردوی آنها مورد استفاده قرار گیرد. یک نرم افزار داده کاوی، یکی از چندین ابزار تحلیلی برای آنالیز داده هاست. به کاربران این اجازه را می دهد که داده ها را از زوایا یا ابعاد گوناگون تحلیل، آنها را دسته بندی و سپس روابط شناسایی شده بین آنها را خلاصه کنند. از نظر فنی، داده کاوی، فرایند یافتن روابط یا الگوها میان چندین زمینه در پایگاه های داده ای بسیار بزرگ است[۱۹].
در این پایان نامه با استقاده از سه روش متفاوت داده کاوی به طراحی مدل پیش بینی پشتیبان تصمیم پرداخته شده است.و با مقایسه هر سه روش ار جنبه های مختلف سعی در یافتن بهترین روش برای پیش بینی و هشدار زمان رخداد خرابی در آینده و باقیمانده عمر مفید تجهیزات داشته است.
فصل سوم
۳- مروری بر تحقیقات انجام شده
۳-۱-مقدمه
نگهداری مبتنی بر شرایط که به نگهداری پیشگویانه معروف است پیشرفته ترین و مدرن ترین تکنیک نگهداری است که در مکتوبات مختلف مورد بحث و بررسی قرار گرفته است.نگهداری مبتنی بر شرایط در سال ۱۹۷۵ برای به حداکثر رساندن تاثیر تصمیم سازی نگهداری پیشگیرانه معرفی شد. مفهوم مشاهده آنلاین در نزدیکیهای سال ۱۹۹۰ شکل گرفت که بر اساس مشخص کردن وضعیت کارکرد و فرسایش تجهیزات با اندازه گیری پارامترهای مهم در مدت زمان های کارکرد باعث کاهش هزینه های نگهداری خواهد شد[۱۱].
با توجه به پیشرفت تکنولوژی و وجود تکنینک های متنوع مطالعات و بررسی های مختلفی روی نگهداری و تعمیرات پیشگویانه انجام شده است که شرحی مختصر از چند تحقیق در ادامه ذکر خواهد شد.۵ تحقیق و مقاله مختلف در بین سالهای ۲۰۰۹ تا ۲۰۱۳ در ادامه مورد بررسی قرار گرفته است.که شرح مختصری از هرکدام به همراه نتایج و آمارمورد نیاز ارائه شده است و در پایان هر یک نتیجه گیری از آن تحقیق ارائه شده است.
۳-۲- سیستم پیش بینی نگهداری با استفاده تکنیکهای داده کاوی
در یکی از این مطالعات می توان به تحقیقی در سال ۲۰۱۲ اشاره نمود که در آن محققان به طراحی سیستمی برای نگهداری و تعمیرات پیشگویانه بر اساس تکنیکهای داده کاوی پرداخته اند[۲۰].
در سالهای اخیر تلاشهای زیادی برای تاثیر روی فروش، تولید و بهره وری صنایع و شرکتها شده است.این تلاشها حتی باعث بروز تغییرات و تاثیرهای فراوانی روی روش های نگهداری و تعمیرات تجهیزات در کارخانه ها شده است.تلاش برای کاهش و حذف خرابیها و سعی در سرپا نگه داشتن کارخانه ها بدون وقفه شرکتها و کارخانه ها را بر آن داشته تا به روشها و سیستمهای فناوری و تکنولوژیک روی آورند.که از مزایای استفاده از این سیستمها می توان به کاهش هزینه ها، پردازش دقیق و منظم داده ها و بدست آوردن دانش مورد نیاز و کاربردی اشاره کرد.
به منظور رسیدن به یک سطح رقابتی از بهره وری ، کیفیت تولید و در دسترس پذیری سیستم شرکتها در تلاش برای رسیدن به شبکه های ارتباطی و سیستمهای فناوری اطلاعات هستند.یکی از مهمترین فناوریها در زمینه این پیشرفت توجه بیش از پیش به مقوله نگهداری و تعمیرات در سازمانها و صنایع است.
ابزارهای معمولی آنالیز داده دارای محدودیتهای ظرفیت برای تشخیص الگو و کشف دانش موجود در داده ها هستند زیرا آنها فقط از روشها آماری استفاده می کنند.به همین دلیل نیازی برای تولید و ایجاد یک نسل جدید از ابزارهای محاسباتی و تکنیکهای پیشرفته برای استخراج اطلاعات مفید از داده ها وجود داشت که به عبارت دیگر دانش نام دارد.
