چکیده:
داده کاوی در واقع یک روش است، یک روش که قرار است به واسطه آن مسیلهای حل شود. این روش بر روی حجم زیادی از دادهها کار میکند و تحلیل مورد نیاز را انجام میدهد، در نهایت یک سری الگوهای تکرارشونده استخراج میشود که میتواند برگ برنده باشد. سپس نوبت به پیدا کردن ارتباطات بین الگوهای مختلف است و در نهایت یک سری راه حلهای مهم در این چالش وارد میشوند.ابزار ها ، دستگاه ها و تجهیزات گوناگون در شرکت ها، همواره به عنوان یکی از مهم ترین سرمایه های کارخانه ها به شمار می آید؛ بنابراین با توجه به اینکه هزینه های خرید، نت (نگهداری و تعمیرات) تجهیزات بسیار گران و پرهزینه است و بخش عمده ای از سرمایه ثابت و هزینه های عملیاتی شرکت ها را تشکیل می دهند؛ طبیعی است که یکی از دغدغه های اساسی برای مدیران ارشد در چگونگی به کارگیری و نگهداری بهینه این تجهیزات باشد.تحقیق حاضر (پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی) به دنبال پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای داده کاوی بود. برای اینکار اطلاعات ۵۰ ماشین ابزار به عنوان نمونه آماری در مدت زمانی مشخص جمع اوری گردید و مورد تجزیه و تحلیل قرار گرفت.در این تحقیق با استفاده از سه تکنیک شبکه عصبی مصنوعی، رگرسیون و درخت تصمیم به پیش بینی زمان خرابی تجهیزات ساختمانی پرداخته شد. متغیرهای ورودی شامل نوع خرابی، تعداد ساعات خرابی، زمان توقف، فاصله بین خرابیها،زمان تعمیر به ساعت و زمان خرابی دستگاه بود. با استفاده از تکنیک شبکه عصبی معادله رگرسیونی یافته شد که با فاصله تقریبا زیاد تغییرات در متغیر وابسته را پیش بینی می کرد. ضریب تعیین بدست آمده برای کل شبکه عصبی مقدار ۱۸ درصد را نشان می دهد که اعتبار بالایی را نشان نمی داد. در بخش درخت تصمیم با استفاده از ند و شاخه و برگ درخت تصمیمی بدست آمد که شرایط را با توجه به مقادیر هریک از متغیرهای تصمیم نشان می داد. در بخش رگرسیون ضریب تعیین ۰.۹۸ بدست آمد که نشانگر اعتبار بالای مدل رگرسیون بود ضمن اینکه آماره F و تحلیل واریانس نشانگر معنی داری کلی مدل رگرسیون بود اما زمانی که ضرایب رگرسیون بدست می آید دو متغیر X۳ و X۵ به دلیل آنکه سطح معنی داری آنها بیش از ۰.۰۵ بود و این نشان می داد که آنها در سطح اطمینان ۹۵ درصد بی معنی بودند لذا از مدل خارج شده و صرفا سه متغیر X۱و X۲ و X۴ در معادله رگرسیون قرار داده شدند. نتیجه حاصل نشانگر فاصله بسیار کم بین مدل رگرسیون با حذف دو متغیر x۳ و x۵ بود و می توان گفت مدل رگرسیون در این تحقیق بهتر می تواند پیشگوی زمان خرابی تجهیزات باشد.
خلاصه ماشینی:
پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیکهای Data Mining ( کشف دانش در پایگاه دادهها KDD (knowledge discovery in databases) (تاریخ ارسال 25/10/1399 تاریخ پذیرش 20/02/1400) محمد رضا روشن سروستانی چکیده داده کاوی در واقع یک روش است، یک روش که قرار است به واسطه آن مسئلهای حل شود.
با پیش بینی زمان خرابی پیمانکاران و مهندسین ساختمان می توانند برنامه ریزی دقیقی را برای تعمیر و نگهداری این دستگاه ها ترتیب داده و مانع از بروز هزینه های توقف کار و به اصطلاح خواب سرمایه خویش بشوند.
با اعمال یک سیستم مناسب مدیریتی در بخش تعمیر و نگهداری ساختمان نه تنها می توان کیفیت ساختمان را افزایش داد بلکه امکان بهینه سازی هزینهها نیز فراهم می گردداما نکته مهمی که باید در محاسبه و پیش بینی زمان خرابی تجهیزات ساختمان مد نظر قرار گیرد داده های سری زمانی گذشته است که در این تحقیق قصد داریم با استفاده از تکنیک های داده کاوی و داده های سری زمانی گذشته به پیش بینی میزان خرابی تجهیزات برسیم.
در این تحقیق نیز ما از توابعی که مختص روشهای درخت تصمیم یا شبکه عصبی مصنوعی می باشد برای پیش بینی استفاده می کنیم و داده های خام گرد آوری شده را وارد ماتریس و بردارهای ورودی به توابع مورد نظر کرده و خروجی آنرا بدست می آوریم.
7- از شبکه های عصبی مصنوعی می توان به عنوان روشی برای پیش بینی مناسب زمان خرابی تجهیزات در بحث تعمیر و نگهداری استفاده نمود.
شبکه عصبی می تواند به عنوان روشی برای پیش بینی مناسب زمان خرابی تجهیزات استفاده شود اگر متغیرهای ورودی مناسب تعیین شده باشد.