پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,759 |
| تعداد مشاهده مقاله | 115,132,040 |
| تعداد دریافت فایل اصل مقاله | 89,897,475 |
بهینه سازی تواتر بازرسی نگهداری ماشین آلات بوسیله شبکه عصبی مصنوعی | ||
| فصلنامه دانش مدیریت (منتشر نمی شود) | ||
| مقاله 4، دوره 52، شماره 0 - شماره پیاپی 984، فروردین 1380 اصل مقاله (286.93 K) | ||
| نویسندگان | ||
| دکتر نظام الدین فقیه؛ دکتر داود کریمی* | ||
| چکیده | ||
| برای کاهش هزینه ها و زمان خوابیدگی ماشین آلات صنعتی ، یکی از مهمترین اقدامات جهت پیشگیری از خرابی، بازرسی نگهداری است. بر مبنای محاسبات آماری با بنطباق میزان شکست ، مدت خرابی و زمان بازرسی با تابع توزیع نمایی نسبت به حداقل نمودن مجموع زمان های خوابیدگی بوسیله تعیین تعداد بازرسی اقدام می شود. میزان شکست بدون انجام هرگونه بازرسی نگهداری است. با توجه به اهمیت و حساسیت برخی صنایع، تعیین تعداد بازرسی با قابلیت اطمینان معین ضرورت می یابد که با استفاده از محاسبات آماری از رابطه زیر بدست می آید. روش های جایگزین برای انجام این کار با استفاده از شبکه های عصبی مصنوعی عبارتند از : 1- شناسایی الگو 2- بهینه سازی استفاده از توانایی شناسایی الگوی شبکه عصبی MLP به معنی یادگیری رفتار سیستم و تعمیم عملکرد گذشته به آینده در دوره عادی عمر ماشین و زمان بندی بازرسی نگهداری بر مبنای این عملکرد می باشد. تابع معیار این شبکه است که در آن تعداد بازرسی واقعی یا محاسبه شده توسط روش آماری در واحد زمان و د تابع بازرسی قابل محاسبه بوسیله شبکه عصبی است ، به طوری که تابع معیار حداقل شود. در این مقاله با استفاده از توانایی بهینه سازی شبکه عصبی و برای حداقل کردن مجموع زمان خوابیدگی ماشین از تابع معیار استفاده می شود و سرانجام برای حداقل کردن مجموع زمان خوابیدگی همراه با حداکثر کردن قابلیت اطمینان ، نسبت به حداقل کردن تابع معیار توسط شبکه عصبی اقدام می گردد. کسب نتایج جامع و ملموس به صورت ترکیب بهینه زمان خوابیدگی ( که با تعداد بازرسی رابطه معکوس دارد) و قابلیت اطمینان ( که با تعداد بازرسی رابطه مستقیم دارد) برتری نسبی روش جدید را یه منصه ظهور می رساند. | ||
| کلیدواژه‌ها | ||
| تواتر بازرسی نگهداری؛ زمان خوابیدگی؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| - | ||
| چکیده [English] | ||
| In order to reduce the costs and the down-time of industrial machinery, a vital step for the prevention of malfunction is the maintenance inspection. On the basis of the statistical calculations and matching the rate of failure ,down-time and inspection time with the function of the exponential distribution, action is taken to minimize the aggregates of down-time periods through frequency of inspection (n). (o) shows the rate of failure without having conducted any type of maintenance inspection.. Regarding the importance and sensitivity of some industries, it is essential to determine frequencies of inspection with a certain reliability secured through the relation in this formula on the basis of statistical calculation. The alternative methods, on the basis of the artificial neural networks, are: 1) pattern recognition, and 2) optimization. The usage of MLP capability signifies the learning of the system behavior and generalization of the past function towards future in the course of machinery normal life and timings of maintenance inspection based on such function. The object function of this network is in which is the number of actual or inspections by a statistical method in time unit and (n) is the number of calculable inspections through neural network whereby J 1 could be minimized. Attempt has been made in this article to use the optimization capability of the neural network so as to minimize the aggregates of machinery down-time aided by the object function. In the final analysis, minimization of the total amount of down-time in conjunction with the maximization of the reliability in respect of minimizing the object function through the neural network is of great significance. The acquisition of tangible and overall results in the form of optimum integration of down-time (which has an opposite relation with the number of inspections) and reliability (which has a direct relation with the number of inspections), have manifested the relative cutting edge of the new method. | ||
|
آمار تعداد مشاهده مقاله: 2,480 تعداد دریافت فایل اصل مقاله: 1,199 |
||