این مقاله به بررسی روش نگهداری و تعمیرات پیشگویانه و کنترل شرایط در مورد ایستگاه های پمپاژ آب می پردازد. روش کار، اندازه گیری ارتعاشات در محلهای مناسب و بررسی روند این ارتعاشات و طیفهای فرکانسی آنهاست. با استفاده از روند ارتعاشات، بروز عیب در ماشین آلات قابل تشخیص است. طیفهای فرکانسی به دست آمده نیز گویای نوع عیب به وجود آمده هستند. در این مقاله نتایج عملی پیاده سازی چنین سیستمی در یکی از ایستگاههای پمپاژ آب تهران ارایه گردیده است. با استفاده از این روش، عیوب موجود، قبل از رسیدن به حالت بحرانی تشخیص داده شده و تعمیرات لازم بر روی ماشین آلات انجام می شود. استفاده از سیگنال های ارتعاشی در تعیین وضعیت و عیب یابی الکتروپمپ های شرکت آب فاضلاب استان تهران برای اولین بار به صورت پایلوت آغاز شده و با توجه به نتایج مثبت آن، می توان به تعمیم آن در سایر شرکت ها پرداخت.

یک سیاست مناسب در نگهداری و تعمیرات می گوید تعمیر زمانی باید انجام شود که نیاز باشد. اگر چه انجام تعمیرات پیشگیرانه می تواند تعمیرات ناگهانی و غیرمترقبه را کاهش دهد اما همچنان باعث کاهش در دسترس بودن و افزایش هزینه های تعمیرات می گردد. شرکت ها می بایست استراتژی های نگهداری آنلاین و پیشگویانه را گسترش دهند که بتوانند تصور کنند که هر خرابی در هر زمانی ممکن است بطور تصادفی رخ دهد و این نیاز را از علایم و نشانه هایی که تجهیزات از خود بروز می دهند تشخیص دهند که به آن نگهداری و تعمیرات پیشگویانه یا نگهداری مبتنی بر شرایط می گویند. در این مقاله سعی شده است یک مدل پشتیبان تصمیم گیر برای نگهداری و تعمیرات پیشگویانه مبتنی بر شرایط بر اساس تکنیکهای داده کاوی طراحی شود. این پروژه در یکی از شرکتهای بهره برداری نفت و گاز جنوب کشور انجام شده و تجهیز انتخابی برای این پروژه توربین های گازی می باشد که یکی از اساس ترین و بحرانی ترین تجهیزات در کارخانه های فرآوری نفتی است. در این پروژه تکنیک داده کاوی شبکه عصبی MPL برای پیش بینی رخداد خرابی در تجهیز مورد نظر به کار گرفته شده است. در انتها پیشنهادهایی از جمله توسعه این مدل برای سایر تجهیزات، کنترل مدت زمان مشاهده صورت وضعیت تجهیزات و تعیین زمان بهینه تعمیر و نگهداری برای آینده ارایه شده است.

امروزه نگهداری و تعمیرات اهمیت بسیاری در صنایع تولیدی پیدا کرده است. یک راه حل کارا به منظور جلوگیری از توقف فرایندهای تولید، پیش بینی خرابی تجهیزات است. در این مقاله، به منظور تشخیص زمان انجام اقدامات نگهداری و تعمیرات چارچوبی پیشنهاد شده تا حتی الامکان از توقف در فرایند جلوگیری شود. لذا هدف اصلی این پژوهش، ارائه ی یک مدل آماری و هوشمند برای تشخیص نقاط خرابی در زمینه ی نگهداری و تعمیرات پیشگویانه است. در نهایت عملکرد مدل پیشنهادی با سایر شیوه های داده محور به صورت تکی و ترکیبی، شامل مدل های لاجیت، ماشین بردار پشتیبان و شبکه های عصبی پرسپترون چندلایه است، مقایسه شده است. نتایج حاکی از آن است که مدل ماشین بردار پشتیبان در مقایسه با مدل های تکی و ترکیبی سری، از دقت بالاتری برخوردار است و نیز نتایج نشانگر کارآمدی و کارایی ساختار ترکیب موازی پیشنهادی در مسائل مدل سازی و پیش بینی است.

هدف: در این مقاله، پس از به دست آوردن مدل یادگیری تقویتی زمانبندی با در نظر گرفتن نت پیشگویانه، چندین رویکرد ابتکاری برای ارزیابی مدل مطرح شده است. برای اینکه یک مدل یادگیری تقویتی آموزش داده شود، باید تابع پاداش و زیان آن با توجه به شرایط محیط کارگاه، تعیین شود. روش شناسی پژوهش: این مدل یادگیری در حالت های مختلف ورود کار به کارگاه مورد بررسی قرار گرفته است. یافته‎ها: نتایج به دست آمده از روش های دیگر زمانبندی، خروجی های بهتری را از خود نشان می دهد. مدل نت پیشگویانه، با چهار روش مدل سازی یادگیری مورد ارزیابی و کیفیت مدل ها مورد بررسی قرار می گیرد. با انتخاب و اضافه کردن بهترین مدل خرابی ماشین به مدل یادگیری تقویتی زمانبندی، کارهای بلادرنگ وارد شده به کارگاه، به ماشین ها تخصیص داده می شوند. با مقایسه روش مطرح شده و روش های پیشین مشخص شد که بهترین عملکرد را از خود نشان داده است. اصالت/ارزش افزوده علمی: یکی از نوآوری های مقاله ارائه تعریف تابع پاداش برای مسئله مورد نظر می باشد.

کوپلینگ ها در صنعت کاربرد بسیاری داشته و این تجهیزات با توجه به چرخش مداوم، همیشه در معرض خرابی هستند. ‏تجزیه وتحلیل ارتعاش یک تکنیک مناسب برای تحلیل خرابی ها و تشخیص حالات خرابی تجهیزات دوار است. هدف این پژوهش تحلیل ‏خرابی های رخ داده در یک کوپلینگ است که داده های آن در حالت عادی و سه حالت نقص با چهار سنسور متصل به کوپلینگ ‏جمع آوری شده است. بدین منظور دو نوع استخراج ویژگی متفاوت استفاده شده و همچنین از هفت الگوریتم یادگیری ماشین و یک ‏الگوریتم یادگیری عمیق برای طبقه بندی حالات بهره برده شده است. در این پژوهش به بررسی کارکرد هر کدام از الگوریتم های ‏پیاده سازی شده و اهمیت ویژگی های استخراجی پرداخته و به بررسی نقش سنسورها و بررسی اهمیت آن ها برای کاهش تعداد سنسور ها ‏پرداخته شده است. از نتایج این پژوهش می توان به تعیین اهمیت بالای ویژگی های حوزه فرکانس در دقت مدل های اجراشده و همچنین ‏کارایی بالای دو عدد از سنسور ها برای طبقه بندی اشاره نمود.‏

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.