خرابی ماشین آلات

داده کاوی در واقع یک روش است، یک روش که قرار است به واسطه آن مسئله ای حل شود. این روش بر روی حجم زیادی از داده ها کار می کند و تحلیل مورد نیاز را انجام می دهد، در نهایت یک سری الگوهای تکرارشونده استخراج می شود که می تواند برگ برنده باشد. سپس نوبت به پیدا کردن ارتباطات بین الگوهای مختلف است و در نهایت یک سری راه حل های مهم در این چالش وارد می شوند.ابزار ها ، دستگاه ها و تجهیزات گوناگون در شرکت ها، همواره به عنوان یکی از مهم ترین سرمایه های کارخانه ها به شمار می آید؛ بنابراین با توجه به اینکه هزینه های خرید، نت (نگهداری و تعمیرات) تجهیزات بسیار گران و پرهزینه است و بخش عمده ای از سرمایه ثابت و هزینه های عملیاتی شرکت ها را تشکیل می دهند؛ طبیعی است که یکی از دغدغه های اساسی برای مدیران ارشد در چگونگی به کارگیری و نگهداری بهینه این تجهیزات باشد.تحقیق حاضر (پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی ) به دنبال پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی بود. برای اینکار اطلاعات 50 ماشین ابزار به عنوان نمونه آماری در مدت زمانی مشخص جمع اوری گردید و مورد تجزیه و تحلیل قرار گرفت.در این تحقیق با استفاده از سه تکنیک شبکه عصبی مصنوعی، رگرسیون و درخت تصمیم به پیش بینی زمان خرابی تجهیزات ساختمانی پرداخته شد. متغیرهای ورودی شامل نوع خرابی، تعداد ساعات خرابی، زمان توقف، فاصله بین خرابیها،زمان تعمیر به ساعت و زمان خرابی دستگاه بود. با استفاده از تکنیک شبکه عصبی معادله رگرسیونی یافته شد که با فاصله تقریبا زیاد تغییرات در متغیر وابسته را پیش بینی می کرد. ضریب تعیین بدست آمده برای کل شبکه عصبی مقدار 18 درصد را نشان می دهد که اعتبار بالائی را نشان نمی داد. در بخش درخت تصمیم با استفاده از ند و شاخه و برگ درخت تصمیمی بدست آمد که شرایط را با توجه به مقادیر هریک از متغیرهای تصمیم نشان می داد. در بخش رگرسیون ضریب تعیین 0.98 بدست آمد که نشانگر اعتبار بالای مدل رگرسیون بود ضمن اینکه آماره F و تحلیل واریانس نشانگر معنی داری کلی مدل رگرسیون بود اما زمانی که ضرائب رگرسیون بدست می آید دو متغیر X3 و X5 به دلیل آنکه سطح معنی داری آنها بیش از 0.05 بود و این نشان می داد که آنها در سطح اطمینان 95 درصد بی معنی بودند لذا از مدل خارج شده و صرفا سه متغیر X1و X2 و X4 در معادله رگرسیون قرار داده شدند. نتیجه حاصل نشانگر فاصله بسیار کم بین مدل رگرسیون با حذف دو متغیر x3 و x5 بود و می توان گفت مدل رگرسیون در این تحقیق بهتر می تواند پیشگوی زمان خرابی تجهیزات باشد.

هدف: چرخه کوتاه عمر محصول، الگوهای پیش بینی ناپذیر تقاضا و کاهش روزافزون زمان عرضه به بازار، باعث شده است که شرکت های تولیدی تحت فشار قرار گیرند. به همین منظور، شرکت های تولیدی برای رویارویی با سناریوهای پیچیده تولید، به پیاده سازی سیستم های تولید سلولی (CMS) روی آورده اند که کاهش هزینه های تولید، افزایش انعطا ف پذیری و پاسخ سریع به تقاضای بازار را به همراه دارد. سیستم تولید سلولی، یکی از فلسفه های فناوری گروهی است که با تقسیم یک سیستم بزرگ به چندین زیرسیستم کوچک، کنترل و مدیریت سیستم تولید را تسهیل می کند. اولین موضوع در طراحی یک سیستم سلولی، گروه بندی ماشین ها برای تولید خانواده ای از قطعات در سلول های تولیدی است که از آن با عنوان تشکیل سلول یاد می شود. در واقع با ایجاد سلول های کارآمد، کارایی ماشین های درون سلولی (فرایند درون سلولی) به حداکثر و انتقال قطعات از یک سلول به سلول دیگر (فرایند بین سلولی) به حداقل می رسد. مسئله دوم، مسئله چیدمان گروهی، یعنی فاصله سلول ها در کارگاه از یکدیگر (چیدمان بین سلولی) و چیدمان ماشین ها در داخل سلول ها (چیدمان درون سلولی) است. گروه بندی بهینه ماشین ها در سلول ها، قرارگیری کارآمد سلول ها در کنار یکدیگر و همچنین، ماشین های داخل سلول ها، بر هزینه های حرکات درون سلولی و حرکات بین سلولی قطعات تأثیر می گذارد. در یک سیستم تولید سلولی استاتیک، تقاضا در تمام دوره ها ثابت در نظر گرفته می شود؛ ولی با پیشرفت تکنولوژی، محیط یک صنعت با تلاطم در انواع محصولات و تقاضا مواجه است. برای غلبه بر این مسائل، در پژوهش حاضر یک سیستم تولید سلولی پویا معرفی شده است که سلول های بهینه را در هر دوره با توجه به شرایط تقاضا جایابی می کند. با توجه به اهمیت آنچه بیان شد، این مطالعه به طور هم زمان به حل مسئله یک سیستم تولید سلولی پویا (DCMS) با ماشین های غیرقابل اعتماد و مسئله برنامه ریزی تولید و چیدمان بین سلولی می پردازد. تابع هدف مدل پیشنهادی، به دنبال حداقل کردن هزینه های جابه جایی درون و بین سلولی، پیکربندی مجدد، خرابی ماشین آلات، تولید قطعه، نگهداری قطعه در انبار و سفارش معوق قطعه در دوره های تولیدی است. روش: در ابتدا، یک مدل ریاضی برنامه ریزی غیرخطی عدد صحیح مختلط، برای مسئله مدنظر ارائه و سپس خطی سازی شد. مدل ریاضی پیشنهادی با یک مطالعه موردی در نرم افزار  GAMS با سالور GUROBI اعتبارسنجی شد و در ادامه، به تأثیر جابه جایی ماشین آلات بین دوره ها و تحلیل حساسیت پارامتر میانگین زمان بین دو خرابی پرداخته شد. یافته ها: انعطاف پذیری در مسیریابی، مکان یابی بهینه سلول ها و گروه بندی بهینه ماشین آلات، به کاهش هزینه های تولید منجر شد. همچنین با جابه جایی دو ماشین m1 و m3 هزینه تولید به میزان 353,870 تومان بهبود پیدا کرد. نتیجه گیری: پیکربندی مجدد سلول های ماشین در دوره جدید، هزینه تولید را بهبود می دهد. مدل پیشنهادی، مدل انعطاف پذیر در مسیریابی تولید قطعه است. تحلیل حساسیت MTBF نشان داد که تعداد خرابی ها بر عملکرد سیستم تأثیر دارد.