كيفية الاقتباس
تواريخ المنشور
الملخص
قد لا يتم إجراء جدولة الصيانة لأنظمة التدفق والإنتاج التي يتم توصيل قطعها على التوالي لأن المشاكل تحدث في أوقات مختلفة (محطات الكهرباء ، مصانع الأسمنت ، محطات تحلية المياه). لتحقيق أهداف البحث من خلال تطوير برنامج الصيانة التنبؤية والبرمجيات المعاصرة والذكاء الاصطناعي وتم العمل ع بيانات الوحدة الخامسة.لمحطة الدورة الحرارية ,أجريت ثلاث مراحل في البحث. أولاً ، تمت معالجة البيانات المفقودة التي كانت بدون تسلسل زمني. تم ملء البيانات باستخدام السلاسل الزمنية ساعة بعد ساعة وأوقات الملء كساعات عمل النظام ، مما يجعل حجم البيانات مرتفعًا نسبيًا للفترة 2015-2016-2017 ، وتم استخدام 2018 كسنة اختبار لتقييم عمل النمذجة والتحقق من صحة النتائج التجريبية. في الخطوة الثانية ، استخدم نهج الشبكات العصبية الاصطناعية برنامج بيثون كذكاء اصطناعي ، ونسبة التقارب إلى البيانات الحقيقية باستخدام قياس الأداء (متوسط الخطأ المطلق) M.A.E. (0.005). و لتحسين وتقليل نسبة الخطأ المطلق ، تم استخدام الخوارزمية التطورية لتحسين أوزان الشبكة العصبية ، وأصبحت نسبة التقارب M.A.E. (0.001). يستدل من ذلك كفاءة الخوارزمية في تحسين النتائج وبذلك تقدم الخوارزميات الجينية نتائج أفضل مع أخطاء أقل من الشبكات العصبية وحدها. يخلص هذا إلى أن الشبكة المبنية تتمتع بأداء متفوق عن الآخرين وأمكانيتها ع التنبوء طويل الأمد لسنة 2030، وأن استخدام السلاسل الزمنية ساعد في اكتشاف الحالات المستقبلية من خلال قراءة بيانات النظام واستنتاجها. وسيؤدي وضع خطط عمل مناسبة إلى خفض النفقات الداخلية والخارجية للأنظمة والمساعدة في تكامل القدرات الأخرى من خلال إعطاء البيانات الصحيحة كمصادر للمواد الخام والتكاليف وغيرها. ولتسهيل التنبوء للعاملين ع الصيانة تم انشاء واجهات تسهل ع المستخدمين تطبيقها باستخدام برنامج بايثون ممثلة بإدخال الازمان ساعة-يوم –شهر –سنة للتنبوء بنوع ومكان الفشل.
المراجع
N. M. Durakbasa, G. Bas, L. Kräuter, and G. Poszvek, “The Assessment of Industrial Manufacturing Systems Towards Advanced Operations by Means of the Integrated Modeling Approach,” Vis. 2020 Innov. Dev. Sustain. Econ. Growth - Proc. 21st Int. Bus. Inf. Manag. Assoc. Conf. IBIMA 2013, vol. 2, no. January, pp. 1418–1426, 2013.
J. Rosén, “Development of Industrial Information Systems based on Standards,” 2010.
H. Pacaiova and J. Glatz, “Maintenance Management System,” MM Sci. J., vol. 2015, no. OCTOBER, pp. 665–669, 2015, doi: 10.17973/MMSJ.2015_10_201532.
F. Trojan and R. F. M. Marçal, “Proposal of Maintenance-types Classification to Clarify Maintenance Concepts in Production and Operations Management,” J. Bus. Econ., vol. 8, no. 7, pp. 560–572, 2017, doi: 10.15341/jbe(2155-7950)/07.08.2017/005.
K. B. Misra, “Handbook of Performability Engineering,” Handb. Performability Eng., no. August 2008, 2008, doi: 10.1007/978-1-84800-131-2.
B. Dergisi, “Atatürk Üniversitesi İ ktisadi ve İ dari Bilimler Dergisi, Cilt: 23, Say ı : 4, 2009 125,” pp. 125–134, 2009.
M. Naser, Determine the Optimum time for Preventive Maintenance Time in Al-Hilal Industrial Company LTd September 2010 . Journal of Economics and Administrative science 16(59):210 DOI:10.33095/jeas.v16i59.1512
K. S. Moghaddam, “Preventive Maintenance and Replacement Scheduling : Models and Algorithms,” Comput. Ind. Eng., no. November, pp. 1–85, 2008.
H. Ab-Samat, E. I. Basri, N. A. Harun, S. C. Wee, and S. Kamaruddin, “Preventive Maintenance Checklist Towards Effective Maintenance System: A Case Study in Semiconductor Industry,” Adv. Mater. Res., vol. 748, no. August, pp. 1208–1211, 2013, doi: 10.4028/www.scientific.net/AMR.748.1208.
I. Badi and A.Shetwan, Measuring Performance Indicator for Maintenance Work:A Case Study in the longitudinal Rolling Mill at the Libyan Steel Company ,,pp.147-165,2016.The Scientific Court Journal,the tenth year,Issue 16 September 2016
A. B. Adulghafour, “Developing of Reliability-Centered Maintenance Methodology in Second Power Plant of South Baghdad,” Eng. Technol. J., vol. 36, no. 8A, 2018, doi: 10.30684/etj.36.8a.3.
L. M. Dawood, “Study of Using Weighting Property Index for Selecting the Best Maintenance Management System (M.M.S.) at Power Plants,” Djes, vol. 11, no. 4, pp. 20–27, 2018, doi: 10.24237/djes.2018.11404.
Y. Ran, X. Zhou, P. Lin, Y. Wen, and R. Deng, “A Survey of Predictive Maintenance: Systems, Purposes and Approaches,” vol. XX, no. Xx, pp. 1–36, 2019, [Online]. Available: http://arxiv.org/abs/1912.07383.
A. Mohammed, A. Ghaithan, M. Al-Saleh, and K. Al-Ofi, “Reliability-based Preventive Maintenance Strategy of Truck Unloading systems,” Appl. Sci., vol. 10, no. 19, pp. 1–17, 2020, doi: 10.3390/app10196957.
A. Mansour and N. Makhoul, Restore Service in Electrical Power Distribution Systems to Increase their Reliability Using Genetic Algorithm, Damascus University Journal of Engineering Sciences., Vol. 28,no.2, December, pp.19,93-111, 2012.
R. H. Fouad and M. Samhouri, “A fuzzy logic Approach for Scheduling Preventive Maintenance in ERP System,” Int. Conf. Manag. Serv. Sci. MASS 2011, no. December, 2011, doi: 10.1109/ICMSS.2011.5999330.
D. Król, L. Madeyski, and N. T. Nguyen, “Preface,” Stud. Comput. Intell., vol. 642, no. February, pp. v–vii, 2016, doi: 10.1007/978-3-319-31277-4.
H. Javanmard and A. al W. Koraeizadeh, “Optimizing the Preventive Maintenance Scheduling by Genetic Algorithm Based on Cost and Rreliability in National Iranian Drilling Company,” J. Ind. Eng. Int., vol. 12, no. 4, pp. 509–516, 2016, doi: 10.1007/s40092-016-0155-9.
M. Gregor, M. Haluška, M. Fusko, and P. Grznár, “Model of Intelligent Maintenance Systems,” Ann. DAAAM Proc. Int. DAAAM Symp., vol. 2015-Janua, no. January, pp. 1097–1101, 2015, doi: 10.2507/26th.daaam.proceedings.154.
K. Alhamad, M. Alardhi, and A. Almazrouee, “Preventive MaintenanceSscheduling for Multicogeneration Plants with Production constraints Using Genetic Algorithms,” Adv. Oper. Res., vol. 2015, 2015, doi: 10.1155/2015/282178.
A. Holman Montiel, S. Fernando Martínez, and F. H. Martínez S, “Genetic Algorithm Used for Improving the Preventive Maintenance Processes for Electricity Distribution Companies,” Int. J. Appl. Eng. Res., vol. 12, no. 19, pp. 8120–8124, 2017.
M. Vannucci, V. Colla, S. Dettori, and V. Iannino, “Fuzzy Adaptive Genetic Algorithm for Improving the Solution of Industrial Optimization Problems,” J. Intell. Syst., vol. 29, no. 1, pp. 409–422, 2020, doi: 10.1515/jisys-2016-0343.
X. Bampoula, G. Siaterlis, N. Nikolakis, and K. Alexopoulos, “A Deep learning Model for Predictive Maintenance in Cyber-Physical Production Systems Using LSTM Autoencoders,” Sensors (Switzerland), vol. 21, no. 3, pp. 1–14, 2021, doi: 10.3390/s21030972.
T. Miller, “Explanation in Artificial Intelligence: Insights from the Social Sciences,” Artif. Intell., vol. 267, pp. 1–38, 2019, doi: 10.1016/j.artint.2018.07.007.
حقوق الطبع والنشر: يحتفظ مؤلفو الوصول المفتوح بحقوق الطبع والنشر لاعمالهم، ويتم توزيع جميع مقالات الوصول المفتوح بموجب شروط ترخيص Creative Commons Attribution License، والتي تسمح بالاستخدام غير المقيد والتوزيع والاستنساخ في أي وسيط، بشرط ذكر العمل الأصلي بشكل صحيح. إن استخدام الأسماء الوصفیة العامة، والأسماء التجاریة، والعلامات التجاریة، وما إلی ذلك في ھذا المنشور، حتی وإن لم یتم تحدیدھ بشکل محدد، لا یعني أن ھذه الأسماء غیر محمیة بموجب القوانین واللوائح ذات الصلة. في حين يعتقد أن المشورة والمعلومات في هذه المجلة صحيحة ودقيقة في تاريخ صحتها، لا يمكن للمؤلفين والمحررين ولا الناشر قبول أي مسؤولية قانونية عن أي أخطاء أو سهو قد يتم. لا يقدم الناشر أي ضمان، صريح أو ضمني، فيما يتعلق بالمواد الواردة في هذه الوثيقة.