استفاده از داده کاوی و سه الگوریتم درخت تصمیمگیری جهت بهینهسازی فرآیند تعمیرات و نگهداری
محورهای موضوعی : آمار
محمد ایزدی خواه
1
(گروه ریاضی کاربردی، دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد اراک)
دنیا گرشاسبی
2
(فارغ التحصیل کارشناسی ارشد مهندسی صنایع، دانشگاه آزاد اسلامی، واحد اراک، اراک، ایران)
کلید واژه: Repair and Maintenance, data mining, Decision tree algorithms,
چکیده مقاله :
هدف از این تحقیق پیش­بینی خرابی دستگاه­ها با استفاده از ابزار داده کاوی می­باشد که بدین منظور در ابتدا پایگاه داده مناسب متشکل از 392 رکورد از خرابی­های به وقوع پیوسته در یک شرکت داروسازی در سال 1394 تشکیل شده است، در مرحله بعد با تعیین 9 خصیصه و نوع خرابی بعنوان کلاس پایگاه داده، تحلیل­ها صورت پذیرفته است که در این راستا از 3 الگوریتم درخت تصمیم برای تعیین مهمترین خصیصه­ها و تعیین قوانین موثر بر خرابی استفاده شده است. بر اساس نتایج بدست آمده از انتخاب خصیصه هر سه الگوریتم مورد استفاده خصیصه­های عمر دستگاه، نام ماشین و مدت زمان تا آخرین خرابی بعنوان مهمترین خصیصه­ها در نظر گرفته شده­اند. بر این اساس عمر دستگاه از اهمیت ویژه­ای برخوردار است. از آنجائی که استهلاک در صنعت داروسازی در حد بالائی می­باشد لذا عمر دستگاه­های مورد استفاده در تعمیرات و نگهداری اثرات ویژه­ای دارد. در این راستا دستگاه­های که دارای عمر بیش از 20 سال می­باشند استهلاک و خرابی آنها بسیار بالا می­باشد و نیاز است تا علاوه بر تعمیرات معمول بازبینی­ها و تعمیرات ویژه­ای در مورد آنها اعمال گردد.
The purpose of this research is to predict the failure of devices using a data mining tool. For this purpose, at the outset, an appropriate database consists of 392 records of ongoing failures in a pharmaceutical company in 1394, in the next step, by analyzing 9 characteristics and type of failure as a database class, analyzes have been used. In this regard, three decision tree algorithms have been used to determine the most important attributes and to determine the effective rules for the failure. Based on the results obtained from the feature selection of all the three used algorithms, the lifetime characteristics of the machine, the name of the machine and the duration until the last failure are recognized as the most important attributes. On this basis, the life of the device has a very special importance. Since the depreciation in the pharmaceutical industry is high, so the life of the devices used in maintenance and repair has a special effect. In this regard, machines with a life span of more than 20 years are subject to high depreciation and failure, and in addition to the usual repairs they need some special repairs.
]1[ معنویزاده، عزیزی جوان، الف، ۱۳۹۲، رویکردی جدید در بهینهسازی مشترک برنامهریزی تعمیرات نگهداری، کیفیت فرآیند و برنامهریزی تولید، دهمین کنفرانس بینالمللی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه صنعتی امیرکبیر.
]2[ سهرابی, ع، رافع ،ر، ولی ئی،م ، ۱۳۹۳، ارائه راهکار جدید جهت استفاده از تکنیکهای دادهکاوی در فرآیند نگهداری و تعمیرات، اولین همایش ملی مهندسی برق و کامپیوتر در شمال کشور، بندر انزلی، موسسه آموزش عالی موج.
[3] Liu, H. C., Liu, L., Bian, Q. H., Lin, Q. L., Dong, N., & Xu, P. C,2011, Failure mode and effects analysis using fuzzy evidential reasoning approach and grey theory. Expert Systems with Applications, 38, 4403–4415.
]4[ عبداله زاده، غ، نوروزی، ح، طاهری امیری، م، حقیقی، ف، 1394، انتخاب استراتژی تعمیر و نگهداری بهینه پلها بر مبنای الگوریتم تصمیمگیری چند معیاره و مدل برنامهریزی ریاضی (مطالعه موردی: پلهای استان مازندران)، مهندسی حمل و نقل، سال ششم، شماره سوم، 463-478.
]5[ مولایی، س، سیداصفهانی، م، اصفهانی، پ، ۱۳۹۲، ارائه الگوریتم ژنتیک برای بهینهسازی چندهدفه استوار زمانبندی نگهداری وتعمیرات پیشگیرانه با در نظر گرفتن بیمه مهندسی، دومین کنفرانس ملی مهندسی صنایع و سیستمها، نجف آباد، دانشگاه آزاد اسلامی واحد نجف آباد، گروه مهندسی صنایع.
]6[ قاسم احمد،ل،1392، مروری بر 7 الگوریتم برتر داده کاوی در پیشبینی بقا، تشخیص و عود بیماران مبتلا به سرطان پستان،بیماریهای پستان ایران، دوره 6 ف شماره 1، 52-61.
[7] Yang, Sh., Zou, Y., Lai, P., Jiang, N, 2015, Data mining based methods for fault isolation with validated FMEA model ranking, Appl Intell. 913-923.
[8] Han, J. & Kamber, M, 2000, Data Mining: concept and techniques. CA: Academic Press
[9] Wei Lin, Ch, Pei Hong, T, 2014, Maintenance of prelarge trees for data mining with modified records, Information Sciences, 88-103.
[10] Chapman, P., Clinton, J. Kerber, R., Khabaz, Th, 2000, www.crisp_dm.org. Retrieved from Crisp _ DM Step by Step Data MINING gUIDE: http: //www. crisp_dm.org/
