خلاصة:
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 دستـرس 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 علائم 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 ارائه شده است.
An appropriate maintenance policy says that repairs should be done when needed. Although preventive repairs can reduce sudden and unexpected repairs, they still reduce availability and increase repair costs. Companies need to develop online and predictive maintenance strategies that can anticipate that any failure could occur at any time, and recognize this need from the signs and symptoms of equipment. This is called predictive maintenance or condition-based maintenance.in this paper we have tried to design a decision support model for predictive maintenance based on conditions based on data mining techniques. This project has been carried out in one of the oil and gas exploitation companies in the south of the country and the selected equipment for this project is gas turbines, which is one of the most basic and critical equipments in oil processing factories.In this project, MPL neural network data mining technique has been used to predict the occurrence of failure in the equipment. Finally, suggestions such as the development of this model for other equipment, controlling the duration of viewing the equipment status and determining the optimal maintenance time for the future are presented.
ملخص الجهاز:
در اين مقاله سعي شده است يک مدل پشتيبان تصميم گير براي نگهداري و تعميرات پيشگويانه مبتني بر شرايط بر اساس تکنيک هاي داده کاوي طراحي شود.
در اين پروژه تکنيک داده کاوي شبکه عصبي MPL براي پيش بيني رخداد خرابي در تجهيز مورد نظر به کار گرفته شده است .
فرضيه نگهداري شرطي يک مشاهده منظم از شرايط واقعي از تجهيزات بر اساس ويژگيهاي مهم و برجسته و مؤثر آنها و کارايي عملکرد از سيستم هاي فرايندي است که باعث اطمينان از حداکثر کردن فاصله بين تعميرها، کاهش هزينه تعميرات برنامه ريزي نشده ناشي از خرابي ماشين آلات و بهبود دسترسي جامع از عملکرد واحدهاي صنعتي خواهد بود.
٣. روش شناسي پژوهش هدف اين مقاله توسعه و ايجاد يک مدل پشتيبان تصميم بر اساس داده است که بتواند قبل از وقوع خرابي هشدار دهد و همچنين ميزان زمان مفيد باقيمانده از عمر تجهيزات اساسي را تا حد زيادي پيش بيني نمايد.
در اين مقاله با استفاده از روش داده کاوي به نام شبکه عصبي MLP(Multilayer Perceptron) يک مدل پشتيبان تصميم پيش بيني رخداد خرابي طراحي شده است .
● چه بخش ، واحد يا کارخآنهاي را براي شروع کار خود انتخاب نمائيم ؟ ● در اين بخش ، واحد يا کارخانه انتخابي چه تجهيزاتي براي طراحي مدل مدنظر قرار بگيرند؟ ● براي تجهيزات انتخاب شده چه پارامترها و معيارهايي را مدنظر قرار دهيم ؟ ● چگونه پارامترها و معيارهاي انتخاب شده را پايش کرده و به طور مستمر و برنامه ريزي شده مشاهده نموده و ثبت نماييم ؟ در انتها و با طراحي مدل ميتوانيم مدت زمان عمر باقيمانده از تجهيز يا درصد احتمال وقوع خرابي در بازه زماني خاص را مشخص نماييم .