بررسی قابلیت تعمیر و نگهداری ماشینهای معدنی برای نگهداری مبتنی بر شرایط

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بررسی قابلیت تعمیر و نگهداری ماشینهای معدنی برای نگهداری مبتنی بر شرایط

عنوان لاتین

Data mining and machine learning for condition-based maintenance

سیستم تولید پیچیده ممکن است هزاران بخش و مولفه را در برگیرد، وابستگی ها درونی و اتصالات منطقی و فیزیکی را در بر می گیرد. این سطح پیچیدگی مانعی برای اعمال رویکردهای سنتی و مبتنی بر آمار برای پایایی سیستم ها، پیش بینی شکست و برنامه ریزی نگهداری است. راه حل های موجود ICT به سادگی جمع اوری جمع بزرگی از داده را ممکن می کند اما به منظور ایجاد دانش از روی این داده ها به ابزار و مدل هایی نیاز دارد. سوال کلیدی در مورد چگونگی پیش بینی عملکرد سیستم تولید و وقوع شکست های مرتبط با آنها را می توان پاسخ داد. این مقاله، مجموعه ای از مدل ها و روش های تحلیل داده را که می توان برای تصمیم گیری و به ویژه مهندسی نگهداری استفاده کرد معرفی می کند. این مدلهای طبقه بندی به ویژه درخت تصمیم گیری، جنگل تصادفی و شبکه عصبی برای مطالعه موردی استفاده شده و نتایچ صحت پیش بینی ها کم شده و مورد مقایسه قرار گرفتند. ما از پروفایل های تاریخی متغیرهای انرژی ماشین بسته بندی با سرعت بالا برای یافتن استراتژی هایی برای پیش بینی شکست های معین استفاده کردیم. نتایج به دست آمده اشاره دارند که صحت جنگل های تصادفی کمی بهتر از روش های دیگر است، اما حتی احتمال زنگ خطا را افزایش می دهد، که شکست ناخواسته را ایجاد می کند. اگر چه نتایج به دست آمده امیدبخش است، در زمینه استفاده از دیگر طبقه بندی کننده ها به مطالعات بیشتر نیاز است.

Complex production systems may count thousands of parts and components, subjected to multiple physical and logical connections and interdependencies. This level of complexity inhibits the traditional and statistically-based approach to reliability engineering, failure prediction and maintenance planning. The existing ICT solutions simplify the on-field collection of large amount of data, but require models and tools able to create knowledge from these data. Key questions on how to predict in advance the performance of the production system and the associated failure events could be finally addressed. This paper introduces a set of data analytics models and methods that can be profitably used for decision making in general, and, specifically, in maintenance engineering. These classification models, specifically decision trees, random forests, and neural networks, are applied to a real-world case study, and the resulting accuracy on predicting faults is quantified and compared. We used the historical profiles of the energy variables of an high-speed packaging machine to find out some strategies for the prediction of a given failure. The conducted experiments demonstrate that the accuracy of the random forest is slightly better than the other methods, but even increases the probability of false alarm, which would result in unwanted production break-down. Even though the obtained results are promising, they leave room for further experiments based on the application of other classifiers, rather than the definition of customized methods able to embrace such complexity.