اقتصادمدور

امروزه در واحدهای صنعتی نظارت بر عملکرد تجهیزات توسط اپراتور انجام می شود و به علت گستردگی محیط عملیاتی و حجم بالای تجهیزات، هماهنگی بین واحدها به سختی امکان پذیر بوده و صدمات جبران ناپذیری در پی دارد. باوجود پیشرفت های چشمگیر تکنولوژی در زمینه بازرسی و نظارت، می توان این وظیفه را به ابزارهای هوشمند و اینترنت اشیاء سپرد. همچنین، با ظهور فناوری محاسبات «رایانش لبه»، بسیاری از محققان به دلیل مزایای آن، از طراحی های مبتنی بر محاسبات لبه ای بهره برده اند. لذا در این پژوهش مدلی ترکیبی از اینترنت اشیاء و پهپادهای غیرنظامی جهت نظارت هوشمند بر عملکرد تجهیزات صنعتی با رویکرد رایانش لبه ارائه شد که به عنوان مطالعه موردی توربین های بادی موردبررسی قرار گرفت. در این مدل، عملکرد پهپاد جهت نظارت هوشمند بر توربین های بادی در سه مرحله موردبررسی قرار گرفت. 1) فرآیند تشخیص 2) فرآیند تخلیه محاسباتی پهپاد 3) فرآیند محاسبات محلی پهپاد. با توجه به دو هدفه بودن مدل نهایی که ترکیبی از سه مرحله فوق بود، مدل توسط روش های ژنتیک با مرتب سازی ناچیره و روش محدودیت اپسیلن تقویت شده با استفاده از اعداد تصادفی حل شد و روش ژنتیک با مرتب سازی ناچیره عملکرد بهتری داشت؛ زیرا در مسائل با ابعاد بزرگ، به دلیل پیچیدگی مسئله، روش محدودیت اپسیلن تقویت شده قادر به پاسخگویی در زمان مناسب نبود.امروزه در واحدهای صنعتی نظارت بر عملکرد تجهیزات توسط اپراتور انجام می شود و به علت گستردگی محیط عملیاتی و حجم بالای تجهیزات، هماهنگی بین واحدها به سختی امکان پذیر بوده و صدمات جبران ناپذیری در پی دارد. باوجود پیشرفت های چشمگیر تکنولوژی در زمینه بازرسی و نظارت، می توان این وظیفه را به ابزارهای هوشمند و اینترنت اشیاء سپرد. همچنین، با ظهور فناوری محاسبات «رایانش لبه»، بسیاری از محققان به دلیل مزایای آن، از طراحی های مبتنی بر محاسبات لبه ای بهره برده اند. لذا در این پژوهش مدلی ترکیبی از اینترنت اشیاء و پهپادهای غیرنظامی جهت نظارت هوشمند بر عملکرد تجهیزات صنعتی با رویکرد رایانش لبه ارائه شد که به عنوان مطالعه موردی توربین های بادی موردبررسی قرار گرفت. در این مدل، عملکرد پهپاد جهت نظارت هوشمند بر توربین های بادی در سه مرحله موردبررسی قرار گرفت. 1) فرآیند تشخیص 2) فرآیند تخلیه محاسباتی پهپاد 3) فرآیند محاسبات محلی پهپاد. با توجه به دو هدفه بودن مدل نهایی که ترکیبی از سه مرحله فوق بود، مدل توسط روش های ژنتیک با مرتب سازی ناچیره و روش محدودیت اپسیلن تقویت شده با استفاده از اعداد تصادفی حل شد و روش ژنتیک با مرتب سازی ناچیره عملکرد بهتری داشت؛ زیرا در مسائل با ابعاد بزرگ، به دلیل پیچیدگی مسئله، روش محدودیت اپسیلن تقویت شده قادر به پاسخگویی در زمان مناسب نبود.