<span lang="FA">بهینه سازی همزمان هزینه ریسک خرابی و هزینه های نگهداری با رویکرد ترکیبی یادگیری ماشین<span lang="FA">– <span lang="FA">الگوریتم ژنتیک

هدف این پژوهش، ارزیابی یک چارچوب ترکیبی داده محور برای بهینه سازی همزمان هزینه ریسک خرابی تجهیزات و هزینه های برنامه ریزی شده نگهداری و تعمیرات ، با اتکا به خروجی مدل برتر پیش بینی خرابی مبتنی بر یادگیری ماشین است. پژوهش از نوع کاربردی و داده محور بوده و داده های مورد استفاده در این پژوهش شامل ۴۰۰ رکورد هفتگی استخراج شده از یک بازه زمانی ۸ ساله و مرتبط با فعالیت های نگهداری و تعمیرات تجهیزات در زنجیره تامین سه سطحی تولید کک از استخراج زغال سنگ تا مرحله فرآوری می باشد. در مرحله نخست، پیش بینی احتمال خرابی تجهیزات با استفاده از چند الگوریتم یادگیری ماشین انجام شد. سپس، خروجی این مدل به عنوان ورودی یک الگوریتم ژنتیک چندهدفه به کار گرفته شد تا سناریوهای بهینه برای زمان بندی نگهداری پیشگیرانه استخراج شوند. یافته هانشان دادند که مدل گرادیان بوستینگ توانایی بالاتری در شناسایی الگوهای پیچیده خرابی تجهیزات دارد و اتصال خروجی آن به الگوریتم ژنتیک امکان استخراج مجموعه ای از راه حل های بهینه مبادله ای میان کاهش ریسک خرابی و کنترل هزینه های نگهداری را فراهم می کند. جبهه پارتو حاصل، بیانگر آن است که افزایش شدت نگهداری الزاما به حداقل سازی هزینه کل منجر نمی شود و انتخاب طرح بهینه به اولویت های مدیریتی و میزان ریسک پذیری سازمان وابسته است. پژوهش حاضر نشان می دهد که یکپارچه سازی پیش بینی خرابی مبتنی بر یادگیری ماشین با بهینه سازی چندهدفه، می تواند تصمیم سازی نگهداری و تعمیرات را از سطح واکنشی به سطح پیش نگر و هوشمند ارتقا دهد.

کلیدواژه ها:

نگهداری و تعمیرات ، یادگیری ماشین ، پیش بینی خرابی ، بهینه سازی چندهدفه