توسعه رویکردهای داده‌کاوی به‌منظور برنامه‌ریزی نگهداری و تعمیرات پیش‌گویانه خودروهای سبک دفاعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه سمنان، سمنان، ایران

2 گروه مهندسی نت دفاعی، دانشکده علوم و مهندسی دفاعی، دانشگاه افسری و تربیت پاسداری امام حسین (ع)، تهران، ایران.

چکیده

زمینه و هدف: خودروها به‌عنوان یکی از پر تقاضاترین تجهیزات در یک سازمان دفاعی، در صورت عدم سرویس‌دهی به‌موقع و کارآمد به‌عنوان تهدیدی برای آن سازمان قلمداد می‌شوند. از سوی دیگر با توجه به افزایش چشم‌گیر داده‌های مربوط به نگهداری و تعمیرات این وسایل در سازمان موردمطالعه، در این پژوهش از تکنیک داده‌کاوی برای افزایش مشهود نرخ تبدیل داده‌ها به اطلاعات و کشف دانش به‌منظور جلوگیری از توقف مأموریت‌ها استفاده شده است.هدف از مقاله حاضر ارائه معماری دسته‌بندی داده‌های تولیدشده از مراجعات و خرابی‌های خودروهای سواری سازمان موردمطالعه و پیش‌بینی فواصل میان خرابی آن‌ها از طریق روش داده‌کاوی به‌منظور برنامه‌ریزی نگهداری و تعمیرات آن‌ها است.
روش: بر این اساس داده‌های موردنیاز برای یک نمونه شامل 150 دستگاه خودرو سبک استخراج شد. با توجه به هدف تحقیق متغیرهای سال ساخت خودرو، مسافت طی شده و علت خرابی به‌عنوان متغیرهای ورودی و فواصل بین خرابی به‌عنوان متغیرهای خروجی تعیین گردید.
یافته­ها: با اتکا به اصول داده‌کاوی و از طریق نرم‌افزار اس پی اس اس مادلر[1] به گروه‌بندی خودروها بر اساس فواصل بین خرابی (کیلومتر) با الگوریتم درخت سی اند آر[2]پرداخته شد و الگوی نت پیشگیرانه ای ارایه شد که بر اساس خصوصیات فیزیکی و تابع عمر سیستم بوده و درنهایت باعث افزایش عمر سیستم و کاهش هزینه نت می‌گردد.
نتیجه­گیری: بر اساس تحلیل خروجی‌ها گروه نگهداری و تعمیرات سازمان موردمطالعه باید برنامه سرویس و بازدید خودروها را بر اساس گروه‌بندی انجام‌شده در پژوهش و با توجه به پیشنهادهای ارائه‌شده تنظیم کند.
 
[1] SPSSModeler
[2] C&R

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of Data Mining Approaches to Planning Predictive Maintenance of Defensive Light Vehicles

نویسندگان [English]

  • Reza Kamranrad 1
  • Farshid Farokhizadeh 2
1 Department of Industrial Engineering, Faculty of Engineering, Semnan University, Semnan, Iran.
2 Department of Defense Maintenance Engineering, Faculty of Science & Defense Engineering, Officer and Guard Training Imam Hussein University,Tehran, Iran
چکیده [English]

Background and Purpose: Vehicles are considered as one of the most demanded equipment in a defense organization, if they are not serviced in a timely and efficient manner, they are considered as a threat to that organization. On the other hand, due to the significant increase in data related to maintenance of these devices in the organization under study, in this study, data mining technique has been used to increase the data conversion into information rate and knowledge discovery in order to prevent cease of missions .The purpose of this paper is to present the architecture of classifying the data generated from the reference and breakdowns of passenger cars of the studied organization and to predict the distances between their breakdowns through data mining method in order to plan their maintenance and repairs. 
Methods: Based on this, the required data for a sample including 150 light vehicles were extracted. In this research, year of construction of the car, distance traveled and cause of failure as input variables and the intervals between failures as output variables were defined. 
Findings: Based on data mining principles and using SPSSModeler software, vehicles were grouped based on the distances between breakdowns (km) with the C&R tree algorithm.
Conclusion: according to the outputs analysis, the maintenance and repair group of the studied organization should adjust the service and inspection plan of the vehicles based on the grouping done in the research and by considering the suggestions provided.

کلیدواژه‌ها [English]

  • Planning
  • Maintenance and Repair
  • Predictive maintenance
  • Light Defensive Vehicles
  • Data Mining Algorithm
اسماعیلی‌راد، احسان؛ همدانی، علی (1388)، کاربرد تکنیکهای داده‌کاوی در نگهداری و تعمیرات، نشریه بهبود، (25)9، صص 16-11.
افسر، امیر؛ هوشدار محجوب، رحمت؛ مینایی بیدگلی، بهروز (1392)، خوشه‌بندی اعتباری مشتریان برای ارائه تسهیلات متناسب، پژوهش‌های مدیریت در ایران، (4)17، صص 24-1.
بشیری موسوی، سید علیرضا؛ افسر، امیر؛ محجوبی فرد، ارش (1394)، تحلیل ارزش مشتری در بانک با استفاده از تکنیک داده‌کاوی و تحلیل سلسله مراتبی فازی، پژوهش‌های مدیریت در ایران، (۱)19، صص 43-23.
پری‌آذر، محمود؛ زائری، محمدسعید؛ شهرابی، جمال (1386)، انتخاب استراتژی نگهداری و تعمیرات توسط تکنیک‌های آنالیز فاکتور و تحلیل سلسله مراتبی، اولین کنفرانس داده‌کاوی ایران، تهران، https://civilica.com/doc/33010
رمضانی، سعید؛ مسعودی، علیرضا؛ معماریانی، عزیزالله (1390)، کاربرد داده‌کاوی در تعیین خطوط مبنای رفتار فرسایشی موتورها، نشریه علمی مدیریت زنجیره تأمین، (31)13، صص 55-42.
ساجدی‌نژاد، آرمان؛ لطفی، میثم (1398)، مدلی برای بهینه‌سازی زمان‌بندی نگهداری و تعمیرات پیشگیرانه برای سیستم‌های چندجزیی با استفاده از الگوریتم ژنتیک، مطالعات مدیریت صنعتی، (55)17، صص 160-137.
سلیمانی، نفیسه؛ سپهری، محمدمهدی؛ حاج فتحهلیها، عباس (1389)، ارائه‌ی مدلی در نگهداری و تعمیرات قطار با استفاده از تلفیق روش تصمیم‌گیری AHP و داده‌کاوی، ششمین کنفرانس ملی نگهداری و تعمیرات، تهران، https://civilica.com/doc/87969
سیدحسینی، سیدمحمد (1380)، برنامه‌ریزی سیستماتیک نظام نگهداری و تعمیرات در بخش صنایع و خدمات (و مقدمه‌ای بر TPM)، سازمان مدیریت صنعتی، تهران، ایران.
فخار، بابک؛ دقایقی، علی؛ قنبر دزفولی، احسان (1389)، ارائه یک راهکار جهت استفاده از تکنیک‌های داده‌کاوی در فرآیند نگهداری و تعمیرات، اولین کنفرانس ملی محاسبات نرم و فن‌آوری اطلاعات، ماهشهر،https://civilica.com/doc/132805
فراهانی، رضا؛ روغنیان، عماد (1391)، کاربرد داده‌کاوی در سیستم نگهداری و تعمیرات برای افزایش اثربخشی برنامه‌ریزی تعمیرات مطالعه موردی شرکت پتروشیمی شازند، هشتمین کنفرانس بین‌المللی مهندسی صنایع، تهران، https://civilica.com/doc/172987
فرخی زاده، فرشید؛ مقدسی، محمد؛ گودرزی، شاهین (1396)، اولویت‌بندی راهبرد‌های بهینه نگهداری و تعمیرات در صنایع نساجی با رویکرد الکتره، نشریه علمی مدیریت زنجیره تأمین، (56)19، صص 66-53.
کریمی، محمد؛ افشار کاظمی، محمدعلی (1395)، پیش‌بینی خرابی و برنامه‌ریزی نگهداری و تعمیرات خودپردازهای بانکی با روش داده‌کاوی، پژوهش‌های نوین در تصمیم‌گیری، (3)1، صص 130-113.
یوسفی طزرجان، مصطفی؛ رمضانی، سعید (1394)، کشف الگوهای پنهان و مفید از داده‌های سامانه‌های نگهداری و تعمیرات تجهیزات، با پیش‌بینی هزینه‌ها و نقاط پرت، نشریه علمی مدیریت زنجیره تأمین، (48)17، صص 37-26.
Abbasi M., Samadi M., Safari M. A., Faraj R., (2013). “Introducing a method for conditional maintenance and repairmen by considering number and type of errors”, 2nd Sird Regional Conference, Iran, Tehran.
Bastos P., Lopes I., Pires L., (2014). “Application of data mining in a maintenance system for failure Prediction”, Journal of Safety, Reliability and Risk Analysis, 3(7): 933-940.
Bukhsh, Z.A., Saaed, A., Stipanovic, I., (2018). “A machine learning approach for maintenance prediction of railway assets”, Transp. Res. Arena.
Chakrabarti S. et al., (2009). “Data mining, know it all”, United States, Morgan Kaufmann; Elsevier, eBook.
Daniel, T. Larose, Chantal D. Larose, (2005). “Discovering Knowledge in Data: An Introduction to Data Mining”, Second Edition, Wiley Publication, MIT GmbH, 2006.
Fayyad, U., G. Piatetsky-Shapiro, P. Smyth, (1996). “From Data Mining to Knowledge Discovery in Databases”, American Association for Artificial Intelligence.
Ferreiro S., Sierra B., Irigoien A., Gorritxategi E., (2011). “Data mining for quality control: Burr detection in the drilling process”, Computers & Industrial Engineering, 60 (4), 801-810.
Hair, Joseph F., (2005). “Multivariate Data Analysis”, Prentice Hall.
Han.J, Kamber.M, (2006). “Data Mining Concept And Techniques”.second edition.
Jain A. K., Murty M. N., Flynn P. J, (1999). “Data clustering: A Review”, International Journal of ACM Computing Surveys, 31(3): 299-322.
Kalathas I. & Papoutsidakis M., (2021). “Predictive Maintenance Using Machine Learning and Data Mining: A Pioneer Method Implemented to Greek Railways”, MDPI, 2-18.
Kiranmai, S.A., Laxmi, A.J., (2018). “Data mining for classification of power quality problems using WEKA and the effect of attributes on classification accuracy”, Prot. Control. Mod. Power Syst., 3, 29.
Lee, C.Y.; Huang, T. S.; Liu, M.K.; Lan, C.-Y., (2019). “Data Science for Vibration Heteroscedasticity and Predictive Maintenance of Rotary Bearings”, Energies, 12, 801.
Pang-Ning Tan, Steinbach, (2005). “Introduction to Data Mining”.
Rezig, S., Achour, Z., Rezg, N., (2018). “Using Data Mining Methods for Predicting Sequential Maintenance Activities”, Appl. Sci., 8, 2184.
Xiong T., Wang S., Mayers A., Monga E., (2013). “Personal bankruptcy prediction by mining credit card data”, International journal of Expert Systems with Applications, 40(2): 665-676.