تعمیرات و نگهداری پیش بینی کننده در برنامه ریزی و کنترل تولید با رویکرد یادگیری ماشین

تحقیقات در زمینه مدیریت عملیات، اغلب بر تناسب سیستم برنامه ریزی و کنترل تولید (PPC) با سیستمهای تولید متمرکز است. سطح تناسب، اغلب در کارایی، سودآوری و دوام بلندمدت یک شرکت تولیدی تاثیرگذار است. از طرفی شرایط متغیر جهانی، مدیران برنامه ریزی و کنترل تولید (PPC) را با چالشهای جدی مواجه میکند. این امر پیچیدگی های بیشتری به برنامه ریزی و کنترل تولید می افزاید و منجر به اتلاف زمان و منابع می شود. همچنین سیستم های برنامه ریزی منابع سازمانی (ERP) که برای هماهنگی فعالیت های حوزه PPC استفاده می شوند، تصمیم گیری در زمان واقعی را پشتیبانی نمی کنند و ناکارآمد هستند. بر این اساس به منظور رفع این نقاط ضعف، سیستم های اجرای تولید (MES) و سیستمهای برنامه ریزی پیشرفته (APS) توسعه یافته اند. هدف این تحقیق با تمرکز بر تشخیص خرابی ماشین آلات بر اساس نوع خرابی، به جلوگیری از کاهش راندمان تولید، بیکاری اپراتورها و هزینه های بالای تعمیرات قبل از وقوع خرابی کمک می کند. مدلسازی این مسئله با مدلهای مختلفی از یادگیری ماشین (Machine Learning) مانند KNN، XGBOOST، رگرسیون خطی، درخت تصمیم، LGBM، جنگل تصادفی انجام شد تا بدینوسیله بتوان بهترین الگوریتم را شناسایی کرد. نتایج نشان داد که مدل های LGBM و XGBOOST از لحاظ دقت بهترین عملکرد را دارند.

کلیدواژه ها:

برنامه ریزی تولید ، هوشمند ، توسعه ، شناسایی و کاهش خرابی ، یادگیری ماشین