طراحی مدل هوشمند نگهداری و تعمیرات پیشگیرانه در صنعت نساجی و پوشاک به کمک تجزیه و تحلیل آماری (مطالعه موردی کارخانجات نساجی بروجرد)

فصلنامه مدیریت راهبردی در سیستم های صنعتی (مدیریت صنعتی سابق)

دوره 17، شماره 62، اسفند 1401، صفحه 55-69   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/imj.2023.1968222.1801

نویسندگان

سید شهرام فاطمی¹؛ مهرداد جوادی^{* 2}؛ امیر عزیزی³؛ سید اسماعیل نجفی¹

¹گروه مهندسی صنایع،دانشکده فنی و مهندسی،دانشگاه آزاد علوم و تحقیقات،تهران،ایران

²گروه مهندسی مکانیک،دانشکده فنی و مهندسی،دانشگاه آزاد اسلامی واحد تهران جنوب، تهران،ایران

³گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران، تهران، ایران

چکیده

در پژوهش حاضر تعیین مهمترین عوامل تاثیر گذار بر نگهداری و تعمیرات پیش گیرانه هوشمند در صنعت نساجی و پوشاک در تعامل با تولید به کمک نرم افزار Spss25 پرداخته شد. دیتاست تحقیق بر اساس یک نمونه ۲۰۰۰ تایی از داده‌ها و گزارش‌های مدیرکل صنایع نساجی و پوشاک وزارت صنعت ، معدن و تجارت کشور و کارخانجات صنعت نساجی بروجرد به عنوان محل اجرای طرح طی سال‌های ۱۳۹۴ تا ۱۳۹۹ به صورت نیم‌سال تنظیم شده است. این تحقیق با جمع آوری این حجم از اطلاعات با همکاری متخصصان نگهداری و صنعت نساجی (جمع آوری اطلاعات ۲۴۰ واحد صنعتی از۶۳۰ واحد ریسندگی و بافندگی کشور) کم نظیر است. حجم نمونه تحقیق شامل اساتید، مدیران و کارشناسان صنایع نساجی بوده که پس ازتکمیل پرسش نامه قبل از اجرای تحقیق (وضعیت عملکردی) و مقایسه آن با پرسش نامه بعد از اجرای تحقیق (وضعیت ایده آل) و انجام محاسبات تجزیه و تحلیل آماری نتایج زیر حاصل شده است. با بررسی ارتباط بین متغیرهای تحقیق وکلاس بندی عوامل موثر در نگهداری و تعمیرات پیش گیرانه به ترتیب عبارتند ازعامل استراتژی با امکان تعیین 34 درصد، عامل فن‌‌آوری 30 درصد، عامل محیط کار 16 درصد، عامل کارکنان 10 درصد، عامل کیفیت 10 درصد مهمترین عوامل بهبود نگهد‌ا‌ری و تعمیر‌ات پیش‌گیرانه در تعامل با تولید در صنعت نساجی و پوشاک تعیین شدند.

کلیدواژه‌ها

کارخانجات نساجی بروجرد؛ نگهداری و تعمیرات پیشگیرانه؛ هوشمند

مراجع

1. Alrabghi, A., Tiwari, A., & Savill, M. (2017). Simulation-based optimisation of maintenance systems: Industrial case studies. Journal of Manufacturing Systems, 44, 191-206.
2. Alrabghi, A., & Tiwari, A. (2016). A novel approach for modelling complex maintenance systems using discrete event simulation. Reliability Engineering & System Safety, 154, 160-170.
3. Alrabghi, A., & Tiwari, A. (2015). State of the art in simulation-based optimisation for maintenance systems. Computers & Industrial Engineering, 82, 167-182.
4. Alsyouf, I. (2009). Maintenance practices in Swedish industries: Survey results. International Journal of Production Economics, 121(1), 212-223.
5. Bashiri, M., Badri, H., & Hejazi, T. H. (2011). Selecting optimum maintenance strategy by fuzzy interactive linear assignment method. Applied mathematical modelling, 35(1), 152-164.
6. Ulaganathan, J., & Sadyojatha, K. M. (2021). A Review On Maintenance Techniques For Industrial Equipment And Its Machine Learning Algorithms. International Journal of Advanced Research in Engineering and Technology (IJARET), 12(4), 183-194.
7. Campbell, J. D., Reyes-Picknell, J. V., & Kim, H. S. (2015). Uptime: Strategies for excellence in maintenance management. CRC Press.
8. Cappanera, P., Manfrida, G., Nicoletti, A., Pacini, L., Romagnoli, S., & Rossi, R. (2019, December). Digital model of a gas turbine performance prediction and preventive maintenance. In AIP Conference Proceedings(Vol. 2191, No. 1, p. 020033). AIP Publishing LLC.
9. Garcia, M. C., Sanz-Bobi, M. A., & Del Pico, J. (2006). SIMAP: Intelligent System for Predictive Maintenance: Application to the health condition monitoring of a windturbine gearbox. Computers in industry, 57(6), 552-568.
10. Conrads, A., Scheffer, M., Mattern, H., König, M., & Thewes, M. (2017). Assessing maintenance strategies for cutting tool replacements in mechanized tunneling using process simulation. Journal of Simulation, 11(1), 51-61.
11. Nezami, F. G., & Yildirim, M. B. (2013). A sustainability approach for selecting maintenance strategy. International Journal of Sustainable Engineering, 6(4), 332-343.
12. García, F. J. Á., & Salgado, D. R. (2022). Analysis of the Influence of Component Type and Operating Condition on the Selection of Preventive Maintenance Strategy in Multistage Industrial Machines: A Case Study. Machines, 10(5), 385.
13. Gharoun, H., Hamid, M., & Torabi, S. A. (2021). An integrated approach to joint production planning and reliability-based multi-level preventive maintenance scheduling optimisation for a deteriorating system considering due-date satisfaction. International Journal of Systems Science: Operations & Logistics, 1-23.
14. Hax, A. C., & Majluf, N. S. (1996). The strategy concept and process: a pragmatic approach(Vol. 2, pp. 360-375). Upper Saddle River, NJ: Prentice hall.
15. Ierace, S., & Cavalieri, S. (2013). An analytic hierarchy process based model for the selection of decision categories in maintenance systems. Management and Production Engineering Review, 4.
16. Kang, K., & Subramaniam, V. (2018). Integrated control policy of production and preventive maintenance for a deteriorating manufacturing system. Computers & Industrial Engineering, 118, 266-277.
17. Wang, K. H., Wu, C. H., & Yen, T. C. (2022). Comparative cost-benefit analysis of four retrial systems with preventive maintenance and unreliable service station. Reliability Engineering & System Safety, 221, 108342.
18. Laks, P., & Verhagen, W. J. (2018). Identification of optimal preventive maintenance decisions for composite components. Transportation Research Procedia, 29, 202-212.
19. Lapa, C. M., Pereira, C. M., & e Melo, P. F. F. (2003). Surveillance test policy optimization through genetic algorithms using non-periodic intervention frequencies and considering seasonal constraints. Reliability Engineering & System Safety, 81(1), 103-109.
20. Linnéusson, G., Ng, A. H., & Aslam, T. (2018). Relating strategic time horizons and proactiveness in equipment maintenance: a simulation-based optimization study. Procedia CIRP, 72, 1293-1298.
21. Mishra, S., Vanli, O. A., Kakareko, G., & Jung, S. (2019). Preventive maintenance of wood-framed buildings for hurricane preparedness. Structural safety, 76, 28-39.
22. Ozcan, S., & Simsir, F. (2019). A new model based on Artificial Bee Colony algorithm for preventive maintenance with replacement scheduling in continuous production lines. Engineering Science and Technology, an International Journal, 22(6), 1175-1186.
23. Seiti, H., Hafezalkotob, A., Najafi, S. E., & Khalaj, M. (2019). Developing a novel risk-based MCDM approach based on D numbers and fuzzy information axiom and its applications in preventive maintenance planning. Applied Soft Computing, 82, 105559.
24. Shaker, F., Shahin, A., & Jahanyan, S. (2019). Developing a two-phase QFD for improving FMEA: an integrative approach. International journal of quality & reliability management.
25. Shi, H., & Zeng, J. (2016). Real-time prediction of remaining useful life and preventive opportunistic maintenance strategy for multi-component systems considering stochastic dependence. Computers & Industrial Engineering, 93, 192-204.
26. Patil, S. S., Bewoor, A. K., Kumar, R., Ahmadi, M. H., Sharifpur, M., & PraveenKumar, S. (2022). Development of Optimized Maintenance Program for a Steam Boiler System Using Reliability-Centered Maintenance Approach. Sustainability, 14(16), 10073.
27. Tsai, Y. T., Wang, K. S., & Teng, H. Y. (2001). Optimizing preventive maintenance for mechanical components using genetic algorithms. Reliability engineering & system safety, 74(1), 89-97.
28. Woodhouse, J. (2001). Combining the best bits of RCM, RBI, TPM, TQM, Six-Sigma and other ‘solutions’. The Woodhouse Partnership Ltd.
29. Xie, H., Shi, L., & Xu, H. (2013). Transformer Maintenance Policies Selection Based on an Improved Fuzzy Analytic Hierarchy Process.  Comput., 8(5), 1343-1350.