این بخاطر این هست که حداکثر مقادیر هزینه منفعت بدترین سناریو را تعریف می کند که نیاز به عکس العمل مناسب نگهداری دارد.
گام اول:پاسخ مربوط به سوال تعمیر یا تعویض ماشین بصورت کامل در نتیجه باعث ایجاد راه حل بهینه سازی زیر می شود:
رابطه ۲
CBE repair برآورد منفعت هزینه برای تعمیر قطعه i‌ ام است و CBEnew براورد منفعت هزینه برای جایگزینی قطعه i‌ ام است.x,y متغیرهای صحیح دودویی منتسب به هر راه کار هستند.

گام ۲:استراتژی تعمیر/تعویض برای هر قطعه خاص تعریف می شود با هر اجرای تکی مشکل بهینه سازی زیر:
رابطه ۳
CBE repair برآورد منفعت هزینه برای تعمیر قطعه i‌ ام است و CBEnew براورد منفعت هزینه برای جایگزینی قطعه i‌ ام است. Xi,Yi متغیرهای صحیح دودویی منتسب به هر راه قطعه ماشین هستند.
در این گام استراتژی نگهداری هر قطعه را به عنوان یک متغیر مستقل در ملاحظه می کند در مقایسه با گام قبل که نگهداری ماشین بصورت کامل و جامع برسی می شود.
در ادامه مقاله روش پیشنهاد شده با نمونه های داده واقعی از چرخنده لرزشی به عنوان یک نگهداری پیشگویانه بررسی شده است.در این تجهیز خاص قطعاتی از جمله قاب لرزش ، لرزنده ، وسیله لرزشی موتور و موتور وجود دارد.و با داده ها و محاسبات انجام شده در این حالت خاص به این نتیجه رسیدند دو تا از قطعات بایستی تعمیر و دو تای دیگر بهتر است تعویض گردند.
آنچه مسلم است اینکه واحدها در آنالیز هزینه منفعت بر اساس واحدهای استاندارد پولی هستند به اینگونه که هر دوی هزینه و منفعت بطور مستقیم می توانند مقایسه شوند.
در برخی حالتها جایی که بیان کردن سودها به پول آنالیز منفعت هزینه سخت است می تواند به عنوان یک تکنیک کمینه کردن هزینه استفاده شود.سایر عملکردهای مورد هدف می تواند در برآورد استراتژی نگهداری قطعات ماشینها استفاده شود.
نتیجه
در نتیجه این مقاله یک روش هوشمند برای بهینه نمودن استراتژی نگهداری پیشگویانه شرح می دهد که بر اساس الگوریتم تصمیم گیری بهینه می باشد.راهکارهای نگهداری متفاوت تعمیر/ تعویض ارزیابی شدند که بر اساس آنالیز سود - هزینه از فرمولهای بهینه سازی می باشند.دو روش متفاوت از بهینه سازی شرح داده شد:
۱- تعریف استراتژی تعمیر ماشین به عنوان کل و همه آن
۲- استراتژی تعمیر برای هر قطعه خاص از ماشین
این روش های بهینه سازی در الگوریتم تصمیم سازی نگهداری پیشگویانه استفاده شده اند.
روش هوشمند پیشنهادی برای بهینه کردن استراتژی نگهداری روی یک مثال واقعی از Vibration Feeder به عنوان یک نگهداری پیشگویانه نشان داده شد.نتایج عددی نشان می دهد که کاربرد روش توسعه داده شده و کارایی مدل ریاضی تشریح شده بسوی تعریف استراتژی نگهداری بهینه است.از جمله اینکه استراتژی نگهداری بهینه به سودآروی فرایند بیشینه کردن با کاهش عملیات و هزینه صنعتی و ساخت کمک می کند.تعریف استراتژی نگهداری بهینه بر اساس مشاهده شرطی سطح اطمینان سیستم را بهبود می بخشد و سرمایه گذاری غیرضروری در نگهداری را کاهش می دهد.
۳-۵-برخی تکنیکهای نگهداری و تعمیرات پیش گویانه
در مقاله دیگری که در سال ۲۰۱۱ ارائه شده است [۲۲]محدودیتهای روش های نگهداری تجهیزات مبتنی بر زمان و فواید تکنیکهای نگهداری آنلاین و یا پیشگویانه در تشخیص تجهیزات را مورد بحث و بررسی قرار می دهد.و به بررسی سه تکنیک شامل تکنیک مبتنی بر سنسور موجود ، تکنیک مبتنی بر تست سنسور و تکنیک مبتنی بر تست سیگنال می پردازد. هدف از این سه تکنیک و پروژه، گسترش سخت افزار بی سیم و آنلاین و سیستمهای نرم افزاری جهت به اجرا درآوردن نگهداری پیشگویانه برای تجهیزات بحرانی که در کارخانجات نیرویی هسته ای و راکتورهای تحقیقاتی و صنایع عمومی مشعول به کار هستند، می باشد.
از دیدگاه بازرسی هنوز یکی از گسترده ترین و مناسب ترین تکنیکها نگهداری پیشگویانه است.هنگامیکه تجهیزات در آغاز شکست می باشند ممکن است علائمی نشان دهند که نیاز به چشم و گوش تیزبینی برای تشخیص آنها باشد،خوشبختانه اکنون سنسورهای قابل دسترسی وجود دارند که جهت تشخیص هجوم فرسایش تجهیزات و شروع خرابی آنها مورد استفاده قرار می گیرد.
در بخشی از این مقاله نمودارهایی در دوبخش نگهداری مبتنی بر زمان و نگهداری مبتنی بر شرط وجود دارد که چگونگی فرایند خرابی والگوی خرابی از روی آنها مشخص است.
شکل ۷- نمودارهای خرابی
در همه این منحنی ها احتمال خرابی در طول زمان بررسی می شود.
این شکل شش منحنی را نشان می دهد که بطور متداول مورد توجه قرار می گیرند مانند مدلهای شکست برای تجهیزات صنعتی از قبیل فرستنده ها ، انتقال دههده های فشار که همه اینها می توانند با فعالیتهای نگهداری مبتنی بر زمان دوره ای مدیریت شوند.
سه منحنی سمت چپ درصد زمانی را نشان می دهند که که ویژگی های شکست تجهیزات ممکن است هر سه نوع شکست را دنبال کند.طبق برآوردهای انجام شده تنها برای حدود ۱۱% از همه خرابیها به حساب می آیند.
منحنی های سمت راست از مدلهای خرابی مبتنی بر زمان عبور می کنند و عبارتند از مدل دوره ای شکست اولیه ،مدل شکست اتفاقی و مدل شکست در ابتدای رشد.طبق برآوردهای انجام شده ۸۹% از خرابیها با این سه مدل درگیر هستند.و خرابی در ابتدای رشد بزرگترین نوع آنها است.
استفاده و بکارگیری از برخی انواع این سنسورها در قالب سه تکنیک نامبرده در این مقاله مورد بررسی قرار گرفته است.
در تکنیک نگهداری مبتنی بر سنسور موجود متدهایی وجود دارد که از داده های سنسورهای فرایند موجود استفاده می کنند از جمله آنها می توان به سنسورهای فشار،ترموکوپل هاو نگهداری ردیابهای دما اشاره کرد که متغیرهایی مانند دما،فشار سطح روغن و جریان را اندازه گیری می کنند.از این سنسورها برای شناسایی و تشخیص مواردی از قبیل انسدادها،از اعتبار ساقط شده ها و نشتی هایی که می تواند با سنجش دقیق پارامترها مشخص شود بهره برد.این موارد به امنیت و قابلیت اطمینان کارخانه بر می گردد.
طبقه دوم سنسورها از داده های سنسورهای آزمایشی استفاده می کنند از جمله آنها می توان به شتاب سنجها برای سنجش لرزش و سنسورهای اکوستیک برای نشتی های بوجود آمده اشاره نمود.این گروه از روشها جایی است که سنسورهای بی سیم می توانند نقش مهمی ایفا کنند.
دو طبقه ای که ذکر شد تکنیکهای انفعالی هستند.در مقابل طبقه سوم مربوط می شود به سیگنالهایی که درون تجهیزات برای آزمایش کرد نشان تزریق شده است.این طبقه شامل فاکتورهای فعال می شوند که از جمله آنها می توان به آزمایشهای نگهداری عایق بندی اشاره نمود.این متدها برای یافت عیوبی مانند ترکها،زنگ زدگی و ساییدگی در کابلها،موتورها،سنسورها و دیگر تجهیرات استفاده می شوند.
در ادامه در این مقاله نمونه هایی را برای هر سه تکنینک بررسی کرده است.
نتیجه
در نتیجه این مقاله به این موضوع اشاره می شود که کارخانجات صنعتی نباید دیگر تصور کنند که شکستهای تجهیزات تنها پس از مدت زمان ثابتی در سرویس اتفاق می افتد، آنها باید استراتژی نگهداری آنلاین و پیشگویانه را گسترش دهند که بتوانند تصور کنند که هر شکستی در هر زمانی بطور تصادفی می تواند رخ دهد.آغاز شکست تجهیزات ممکن است خود را در داده های بوجود آمده با متدهای خاص آشکار کند.تجهیزات علایمی ارائه می دهند که خبر از تعویض یا تعمیر آنها می دهند و یا باید رها شوند و بکار خود ادامه دهند.تحقیقات مداوم در سه نوع اصلی تکنولوژی های نگهداری پیشگویانه که در این مقاله مورد بحث قرار گرفت متعهد می شود به تحویل تکنولوژی هایی که ممکن است از راه دور ، بطور تصادفی و آنلاین در فرایندهای صنعتی اجرا شود تا باعث بهبود قابلیط اطمینان تجهیزات و پیشگویی خرابی ها قبل از وقوع شوند.
۳-۶- مروری بر تعمیرات مبتنی بر شرایط و زمان در برنامه های صنعتی
در مقاله ای دیگری که در سال ۲۰۱۲ ارائه شده است به مرور برنامه ها و کاربردهای صنعتی نگهداری مبتنی بر زمان و نگهداری مبتنی بر شرط می پردازد[۱۲]. این مقاله بررسی می کند که چطور این دو روش نگهداری بسوی تصمیم سازی نگهداری حرکت می کنند.و با تحقیق و بررسی مطالعات اخیر برنامه های مربوط به هر روش را مرور می کند.
این مقاله با مقایسه ای گسترده چالشها ی پیاده سازی و استقرار هر تکنیک از نقطه نظر عملی و تجربی،نیاز به تعیین و جمع آوری داده،آنالیز و مدلسازی داده و تصمیم گیری را بررسی می کند.موارد مفهومی و تجربی ، روالها و چالشهای پیاده سازی در کارخانه های صنعتی را برای هر تکنیک مطرح کرده و در نهایت به این نتیجه می رسد که که برنامه های نگهداری مبتنی بر شرایط بیشتر مبتنی بر واقعیت هستند و برای اجرا ارزشمند تر، به صرفه تر و مفید تر هستند.در این مقاله تکنیکها،برنامه ها و سایر نکات مربوط به هر تکنیک و چالشهای پیاده سازی آنها برای تصمیم سازی نگهداری و تعمیرات کاملا شرح داده شده است .از نقطه نظر اصل مساله بر اساس این واقعیت که ۹۹% از خرابیهای تجهیزات بواسطه علایم و نشانه های و شرایط قابل تشخیص هستند کاربرد نگهداری مبتنی بر شرایط در مقایسه با نگهداری مبتنی بر زمان واقعی تر تشخیص داده شده است.مباحث مربوط به آنالیز و مدلسازی داده و فواید نگهداری مبتنی بر شرایط را نشان داده است و این آنالیز اهداف بسیار روشنی برای ارزیابی شرایط تجهیزات از طریق مدل کردن تخریب را ترسیم می کند. بطور کلی در این مقاله مطرح می شود که کاربرد نگهداری مبتنی بر شرط از لحاظ عملی و تجربی سودمندتر است و سپس نکات و نتایج مهمی برای تحقیقات آینده پیش روی این مساله مطرح می کند.
فصل چهارم
۴- روش تحقیق(ارائه راهکار،الگوریتم و مدل پیشنهادی روش تحقیق)
۴-۱-مقدمه
هدف این پایان نامه توسعه و ایجاد یک مدل پشتیبان تصمیم بر اساس داده است که بتواند قبل از وقوع خرابی هشدار دهد و همچنین میزان زمان مفید باقیمانده از عمر تجهیزات اساسی را تا حد زیادی پیش بینی نماید.در این فصل با بهره گرفتن از سه روش داده کاوی به نام های درخت تصمیم(DT) ، شبکه عصبی Multilayer Perceptron (MLP) و شبکه عصبی نزدیک ترین همسایگی (KNN) یک مدل پشتیبان تصمیم پیش بینی رخداد خرابی طراحی شده است.
ابتدا چگونگی انتخاب کارخانه و محیط پروژه ، تجهیزات مورد نظرو تشخیص پارامترهای اساسی و بحرانی مورد بررسی دقیق قرار گرفته است.سپس چگونگی جمع آوری داده ، پالایش و پاکسازی داده و استفاده از مجموعه داده های آموزشی و آزمایشی برای طراحی مدل بازگو شده است.
در نهایت چگونگی طراحی مدل پیش بینی با نرم افزار مربوطه و اجرای آن برای دریافت خروجی مورد نظر شرح داده شده است.
پیاده سازی استراتژی و سیاست نگهداری مبتنی بر شرایط یک موضوع گسترده و سختی است.مهمترین خروجی این مدل پشتیبان تصمیم نمایش ارتباط بین ورودیها که شامل شرایط و مقادیر پارامترهای اساسی تجهیرات و خروجی ها که همان وضعیت سلامت تجهیرات است، با بهره گرفتن از آمار و تکنیکهای یادگیری می باشد.به عبارت دیگر مدل پیش بینی وقوع خرابی با بهره گرفتن از داده های پیشین و تاریخی تجهیزات و بدون استفاده از دانش سیستمی خواهد بود.
بطور کلی برای پیاده سازی و اجرای نگهداری مبتنی بر شرط خرابی های انواع تجهیرات و ماشینها بایستی مد نظر قرار گیرد.همچنین هزاران هزار پارامتر برای آنالیز و تحلیل تجهیزات و ماشینهای متنوع وجود دارد که باید بطور جداگانه بررسی شوند.بنابراین خرابی قطعات اساسی و بحرانی ماشینها و تجهیزات ریشه اصلی خرابی تجهیزات بحرانی می باشد.بنابراین بجای تمرکز روی یک تجهیز اساسی نقشه شروع باید تمرکز روی قطعات بحرانی تجهیزات و ماشینهای مرکب باشد.
در این پایان نامه سعی شده است روی این موضوع تمرکز کرده و یک ردیف از یک کارخانه مهم نفتی به عنوان نمونه مورد بررسی و تحلیل قرار گیرد.
وضعیت جاری سازمان
در حال حاضر در شرکت بهره برداری نفت و گاز گچساران از انواع تعمیرات مانند تعمیرات غیر مترقیه، تعمیرات پیشگیرانه و تعمیرات اصلاحی استفاده می شود.اما مکانیزم و سیستمی برای تعمیرات پیشگویانه وجود ندارد و این نوع تعمیرات خیلی کم و بیشتر بصورت تجربی و موردی انجام می شود.
نرم افزار CMMS در حال حاضر می تواند جوابگوی انواع تعمیرات از قبیل تعمیرات غیر مترقبه، تعمیرات اصلاحی، تعمیرات پیشگیرانه و تعمیرات اساسی باشد.این نرم افزار همچنین تمامی اطلاعات مربوط به تجهیزات و مشخصات آنها ، جابجایی و سایر اطلاعات مورد نیاز را درون خود ذخیره می کند.[۲۳] این نرم افزار اطلاعات مربوط به توقفات و ساعت کارکرد تجهیزات و خرابی آنها را ثبت و نگهداری می کند.اما در این نرم افزار بخشی برای تعمیرات پیش گویانه وجود ندارد.