طراحی مدل هوشمند بهینه سازی نگهد‌ا‌ری و تعمیر‌ات پیش‌گیرانه در تعامل با تولید در صنعت نساجی و پوشاک با بهره برداری از متدولوژی شبکه عصبی مصنوعی و منطق فازی

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

دوره 18، شماره 65، مهر 1402، صفحه 70-90   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/imj.2023.1991238.1860

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 جنوب، تهران،ایران

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

چکیده

در این تحقیق مدل هوشمند نگهداری و تعمیرات پیش گیرانه بر اساس متدولوژی شبکه عصبی مصنوعی - منطق فازی به کمک محیط هوش مصنوعی نرم افزار متلب بر اساس ساختار مدل پنج لایه‌ شبکه‌های عصبی مصنوعی فالکن ارائه شده ، روش تحقیق بر مبنای تفکر سیستمی است. پس از تعیین مهمترین عوامل تاثیر گذار بر نگهداری و تعمیرات پیش گیرانه به کمک پرسش نامه و بر اساس دیتاست یک نمونه ۲۰۰۰ تایی از داده و گزارشات مدیر کل صنایع نساجی و پوشاک وزارت صمت طی سالهای ۱۳۹۶ تا ۱۴۰۱ (بصورت شش نیم سال) و اعتبار سنجی داده توسط متخصصان نگهداری و تعمیرات ۲۴۰ واحد صنعتی، مدل هوشمند طراحی گردید، که پس از اجرای مدل در کارخانجات نساجی بروجرد به عنوان محل اجرای طرح می‌توان ادعا نمود اگر (If ) ؛ پنج عامل "فن‌‌آوری" دارای مقادیر 9129/0 وضعیت خوب (کران بالای تابع عضویت خوب)، "کارکنان" دارای مقادیری 9239/0؛ وضعیت خوب (کران بالای تابع عضویت خوب)، "محیط کار" دارای مقادیر 8859/0؛ نسبتاً خوب (کران پایین تابع عضویت)،"کیفیت" دارای مقادیر 9999/0؛ وضعیت کاملاً خوب (بالا‌ترین تابع )، " استراتژی" دارای مقادیر 9999/0؛ وضعیت خوب (کران بالا) در نگهداری و تعمیرات پیش گیرانه باشند، آنگاه (Then) : وضعیت متغیر خروجی تحقیق یعنی "بهینه سازی عملکرد نگهد‌ا‌ری و تعمیر‌ات پیش‌گیرانه (Y) در پنجمین سطح خود یعنی خیلی خوب برابر با 882/0 قرار خواهد داشت.

کلیدواژه‌ها

شبکه عصبی مصنوعی و منطق فازی؛ نگهداری و تعمیرات پیش گیرانه؛ هوش مصنوعی

مراجع

1. Albrecht, F., Kleine, O., & Abele, E. (2014). Planning and optimization of changeable production systems by applying an integrated system dynamic and discrete event simulation approach. Procedia CIRP, 17, 386-391.
2. Alrabghi, A., & Tiwari, A. (2015). State of the art in simulation-based optimisation for maintenance systems. Computers & Industrial Engineering, 82, 167-182.
3. Alrabghi, A., Tiwari, A., & Savill, M. (2017). Simulation-based optimisation of maintenance systems: Industrial case studies. Journal of Manufacturing Systems, 44, 191-206.
4. Alrabghi, A., Tiwari, A., & Savill, M. (2017). Simulation-based optimisation of maintenance systems: Industrial case studies. Journal of Manufacturing Systems, 44, 191-206.
5. Alsyouf, I. (2009). Maintenance practices in Swedish industries: Survey results. International Journal of Production Economics, 121(1), 212-223.
6. Amiri, S., & Honarvar, M. (2018). Providing an integrated Model for Planning and Scheduling Energy Hubs and preventive maintenance. Energy, 163, 1093-1114.
7. An, Y., Chen, X., Gao, K., Zhang, L., Li, Y., & Zhao, Z. (2023). A hybrid multi-objective evolutionary algorithm for solving an adaptive flexible job-shop rescheduling problem with real-time order acceptance and condition-based preventive maintenance. Expert Systems with Applications, 212, 118711.
8. Aslam, T. (2013). Analysis of manufacturing supply chains using system dynamics and multi-objective optimization (Doctoral dissertation, University of Skövde).
9. Azimian, M., Karbasian, M., & Atashgar, K. (2021). Selecting optimal preventive maintenance periods for one-shot devices: a new fuzzy decision approach. Production and Operations Management, 12(4), 21-39.
10. Bangalore, P., & Tjernberg, L. B. (2015). An artificial neural network approach for early fault detection of gearbox bearings. IEEE Transactions on Smart Grid, 6(2), 980-987.
11. Talbi—Antonio, M. B. E. G., & Alba, N. E. (2006). Metaheuristics for Multiobjective Combinatorial Optimization Problems: Review and recent issues.
12. 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.
13. Chien, Y. H. (2019). The optimal preventive-maintenance policy for a NHPBP repairable system under free-repair warranty. Reliability Engineering & System Safety, 188, 444-453.
14. Droguett, E. L., Jacinto, C. M. C., Garcia, P. A. D. A., & Moura, M. (2006). Availability assessment of onshore oil fields. In Proceedings of the European Safety and Reliability Conference.
15. Dui, H., Zhang, C., Tian, T., & Wu, S. (2022). Different costs-informed component preventive maintenance with system lifetime changes. Reliability Engineering & System Safety, 228, 108755.
16. Eshaghi, Mohammad. (2023). Development of optimal maintenance management in SMEs using the combined approach of Electra Fazi and Vicor. 2^nd International Congress of Management, Economics, Humanities and Business Development, July 2023, Tabriz Islamic Arts University.
17. Farooqi, Hiva; Dadashzadeh, Bahare; Taji, Jalal; Amini, Rojin. (2018). Two-dimensional renewable warranty considering the reliability of the maintenance system and preventive maintenance, 15^th International Conference on Industrial Engineering, Yazd, Yazd University
18. Park, K., Nguyen, M. C., & Won, H. (2015, July). Web-based collaborative big data analytics on big data as a service platform. In 2015 17th international conference on advanced communication technology (icact)(pp. 564-567). IEEE.
19. Park, K., Nguyen, M. C., & Won, H. (2015, July). Web-based collaborative big data analytics on big data as a service platform. In 2015 17th international conference on advanced communication technology (icact)(pp. 564-567). IEEE.
20. Kang, K., & Subramaniam, V. (2018). Integrated control policy of production and preventive maintenance for a deteriorating manufacturing system. Computers & Industrial Engineering, 118, 266-277.
21. Khonddar, Tarsi et al. (2022). The optimal pattern of maintenance and repair of the distribution network of incentive regulations. Smart Methods in the Electricity Industry, 13(52), Winter 2022, 1-18.
22. Kuboki, N., & Takata, S. (2019). Selecting the optimum inspection method for preventive maintenance. Procedia CIRP, 80, 512-517.
23. Laks, P., & Verhagen, W. J. (2018). Identification of optimal preventive maintenance decisions for composite components. Transportation Research Procedia, 29, 202-212.
24. Linnéusson, G., Ng, A. H., & Aslam, T. (2017). Justifying Maintenance Studying System Behavior: A Multipurpose Approach Using Multi-objective Optimization. In 35th International Conference of the System Dynamics Society, Cambridge, Massachusetts, USA, July 16-20, 2017(Vol. 2, pp. 1061-1081). Curran Associates, Inc..
25. 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.
26. Mishra, R. N., & Mohanty, K. B. (2016). Real time implementation of an ANFIS-based induction motor drive via feedback linearization for performance enhancement. Engineering Science and Technology, an International Journal, 19(4), 1714-1730.
27. Miyata, H. H., Nagano, M. S., & Gupta, J. N. (2019). Integrating preventive maintenance activities to the no-wait flow shop scheduling problem with dependent-sequence setup times and makespan minimization. Computers & Industrial Engineering, 135, 79-104.
28. 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.
29. Rahimi, Mokhtar; Nikbakht, Mehrdad. (2018). Identifying the key factors influencing the efficiency and reducing the cost of mechanized maintenance and preventive maintenance management system in Isfahan Region 2 gas transmission company, 6^th National Conference on New Findings in Industrial Management and Engineering with Emphasis on Entrepreneurship in Industries, Tehran, Payam Noor University. February 2018
30. 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.
31. Shaygan Nik, P., Zeinalnezhad, M., & Aliheydari Bioki, T. (2021). System dynamics modeling and simulation of power plant maintenance process considering safety improvement. Journal of Modeling in Engineering, 19(67), 85-108. doi: 10.22075/jme.2021.21810.1992
32. Shaksi Zare, Seyyed Nader Reza. (2017). Maintenance and repairs in facilities (sampling of the best practical experiences). Publisher: Jaliz Publications.
33. Talbi—Antonio, M. B. E. G., & Alba, N. E. (2006). Metaheuristics for Multiobjective Combinatorial Optimization Problems: Review and recent issues.
34. Wang, N., Ren, S., Liu, Y., Yang, M., Wang, J., & Huisingh, D. (2020). An active preventive maintenance approach of complex equipment based on a novel product-service system operation mode. Journal of Cleaner Production, 277, 123365.
35. Wei, S., Nourelfath, M., & Nahas, N. (2023). Analysis of a production line subject to degradation and preventive maintenance. Reliability Engineering & System Safety, 230, 108906.
36. Zarezadeh, S., & Ashrafi, S. (2019). On preventive maintenance of networks with components subject to external shocks. Reliability Engineering & System Safety, 191, 106559.