توسعه یک سیستم پشتیبان تصمیم گیری برای نگهداری و تعمیرات پیش بینانه مبتنی بر XGBoost و شاخص زمان از آخرین خرابی (TSLF): مطالعه موردی کارخانه صنایع غذایی

نگهداری و تعمیرات پیش بینانه به یکی از مولفه های کلیدی افزایش قابلیت اطمینان و کاهش توقفات برنامه ریزی نشده در صنایع تولیدی تبدیل شده است. با وجود توسعه گسترده مدل های یادگیری ماشین، بسیاری از مطالعات بر انتخاب الگوریتم تمرکز داشته اند و نقش مهندسی ویژگی های مبتنی بر دانش نگهداری و تعمیرات کمتر مورد توجه قرار گرفته است. این پژوهش با هدف ارائه یک سیستم هوشمند پشتیبان تصمیم گیری در نگهداری و تعمیرات تجهیزات گلوگاهی در صنعت غذا، از ۱۴ سال داده واقعی تعمیرات و بهره برداری یک کارخانه تولید مواد غذایی استفاده کرده است. در این پژوهش، شاخص Time Since Last Failure (TSLF) به عنوان یک ویژگی زمان محور طراحی و در کنار سایر متغیرهای عملیاتی برای مدل سازی رفتار خرابی تجهیزات به کار گرفته شد. مدل XGBoost برای برآورد احتمال وقوع خرابی در هفت روز آینده توسعه و ارزیابی شد. نتایج نشان داد که این مدل با Recall ۷۹ درصد، Precision ۸۵ درصد، F۱ ۸۲ درصد، ROC ۸۵ درصد و PR ۸۸ درصدی قادر به شناسایی خرابی های بالقوه با دقت قابل قبولی است. تحلیل اهمیت ویژگی ها نیز نشان داد که شاخص TSLF با سهمی بیش از ۴۸ درصد مهم ترین متغیر موثر در تصمیم گیری مدل است و نسبت به ویژگی های ایستا، اطلاعات ارزشمندتری درباره الگوی زمانی مرتبط با سابقه خرابی تجهیزات ارائه می دهد. در نهایت، خروجی مدل در قالب یک سیستم پشتیبان تصمیم گیری (DSS) برای پایش ریسک خرابی در افق های زمانی هفتگی توسعه یافت که امکان اولویت بندی تعمیرات، تخصیص بهینه منابع و برنامه ریزی نگهداری پیشگیرانه را فراهم می کند. یافته های این پژوهش نشان می دهد که ترکیب شاخص زمان محور TSLF با الگوریتم XGBoost می تواند بدون نیاز به حسگرهای پیشرفته، یک سیستم پشتیبان تصمیم گیری موثر و قابل استقرار برای نگهداری و تعمیرات پیش بینانه در صنایع غذایی فراهم کند.

کلیدواژه ها:

نگهداری و تعمیرات پیش بینانه ، یادگیری ماشین ، XGBoost ، شاخص زمان سپری شده از آخرین شکست (TSLF) ، سیستم پشتیبان تصمیم گیری