پیش بینی خرابی و عیب یابی ماشین های تراش با استفاده از رویکرد ترکیبی شبکه عصبی مصنوعی و بلوک تصمیم گیری

پیش بینی خرابی ماشین آلات، نقش مهمی را در کاهش هزینه های سربار فرایندهای تولید دارد. در ا دبیات موضوع، مدل های مختلفی برای نگهداری و تعمیرات ماشین آلات صنعتی ارائه شده است، ولی بر اساس دانش نویسندگان، این پژوهش برای اولین بار توانسته یک مدل ترکیبی از شبکه عصبی و بلوک های تصمیم گیری ارائه دهد، که با استفاده از آن، با قابلیت اطمینان بالایی، می توان خرابی و علت آن را قبل از از کارافتادگی ماشین های تراش، بطور همزمان تشخیص داد. مدل پیشنهادی در این مقاله بر اساس سیگنال های آنالوگ و دیجیتال دریافتی عمل می کند. اطلاعات مورد نیاز برای آموزش مدل پیشنهادی این مقاله از نشانه های خرابی های ثبت شده، در طی 30 سال گذشته، برای دستگاه های تراش یک کارخانه صنعتی در ایران با 383 دستگاه تراش بدست آمده است. مدل پیشنهادی این پژوهش با پیروی از توزیع وایبل آموزش داده شده است. نتایج بدست آمده نشان می دهد که مدل ترکیبی پیشنهادی می تواند با احتمال بالا و قابل توجه 99/5% خرابی های ماشین های تراش را قبل از وقوع، پیش بینی کرده، و علت آن را تشخیص دهد. برای ارزیابی عملکرد مدل پیشنهادی از مثال های عددی استفاده شده است. ارزیابی فوق نشان می دهد که این مدل بشکل اثربخشی می تواند برای پایش و پیش بینی وضعیت خرابی ماشین های تراش، و شناسایی علت خرابی آنها، توسط مهندسین استفاده شود.

کلیدواژه ها:

شبکه های عصبی مصنوعی ، پیش بینی خرابی ، مدل ترکیبی