مهندسی و مدیریت کیفیت

چکیده هدف: هدف این مقاله بررسی و شناسایی متغیرهای مؤثر در وقوع حوادث بالگردی که ناشی از انواع مختلف خرابی روتور بالگرد هستند، می باشد. این عوامل مؤثر شامل شرایط پرواز، شرایط تعمیر و نگهداری و پیکربندی بالگرد است. با این رویکرد، می‌توان حوادث را به طور مؤثرتری بررسی کرد و ایمنی پرواز را به طور قابل توجهی بهبود بخشید.

روش‌شناسی پژوهش: با تجزیه و تحلیل ۱۳۵ حادثه خرابی روتور از یک مجموعه داده جامع شامل ۵۶۵۲ حادثه مرتبط با هلیکوپتر، هشت کلاس خرابی شناسایی شد. با نظرسنجی از متخصصان و بررسی مقالات در زمینه حوادث بالگردی، نه ویژگی به عنوان عوامل احتمالی موثردر وقوع حوادث بالگردی پیشنهاد شد. اهمیت این عوامل با کمک پنج روش انتخاب ویژگی بررسی شده است. حداکثر وزن برخاستن، تعداد ساعات پرواز بعد از آخرین بازرسی، نوع آخرین بازرسی، توان موتور بالگرد، کل ساعات پروازی، ارتفاع، سرعت باد، جهت باد و فاز پرواز به عنوان ویژگی‌های ورودی در نظر گرفته شده‌اند. پنج روش شناخته‌شده انتخاب ویژگی، شامل ماتریس همبستگی، روش Extreme Gradient Boosting ، اطلاعات متقابل، یادگیری عمیق و روش شبکه عصبی برای یافتن عوامل مهم‌تر استفاده شدند.

یافته‎ها: در نهایت، «حداکثر وزن »، « توان موتور بالگرد»، «فاز پرواز» و «ساعات پرواز بالگرد » به عنوان متغیرهایی با بالاترین درجه اهمیت در پیش‌بینی کلاس خرابی روتور بالگرد شناسایی شدند که در مکانیک پرواز نیز توجیه قوی و قابل قبولی دارند.

اصالت/ارزش افزوده علمی: تفاوت کار حاضر با مطالعات مشابه این بود که متغیرهای بیشتری، نظیر شرایط پرواز و پیکربندی بالگرد، در نظر گرفته شدند، برخلاف سایر مطالعات که درآن‌ها مجموعه‌ای محدود از متغیرها در نظر گرفته شدند. با اولویت‌بندی این متغیرها، یافته‌ها با هدف افزایش دقت پیش‌بینی، قابلیت اطمینان و ایمنی پرواز، راه را برای اقدامات پیشگیرانه در پیشگیری از خرابی روتور هموار می‌کنند.

چکیده در این پژوهش، یک رویکرد ترکیبی برپایه منطق فازی و شبکه عصبی مصنوعی برای پیش بینی خرابی ماشین آلات در راستای افزایش بهره‌وری ارائه می شود. مورد مطالعه این پژوهش یکی از کارخانجات صنعت خودروسازی با نام دیاکو ایده آریا بوده که در حوزه تولید قطعات خودرو فعالیت می کند. برای مدل سازی شبکه فازی-عصبی پرسپترون چند لایه(MLP)، نخست تعداد 100 خرابی و توقف در بازه زمانی 15 ماه جمع آوری شده و سپس در نرم افزار MATLAB وارد شده است. نتایج بدست آمده نشان می دهد پیاده سازی شبکه فازی-عصبی و پیش بینی زمان خرابی ماشین آلات سبب کاهش مدت زمان و هزینه تعمیرات شده است. بنابراین مدت زمان کاری و دسترس پذیری ماشین آلات افزایش یافته و در نهایت سبب افزایش میزان بهره وری به میزان 57 درصد می‌شود، همچنین، میزان دقت مدل فازی- عصبی توسعه داده شده 94 درصد برآورد شده است.

چکیده مسئله مورد بررسی در این تحقیق، در نظر گرفتن مسائل تخصیص افزونگی و تخصیص بافر به‌صورت هم‌زمان در یک سیستم تولیدی سری-موازی است. هدف از انجام این تحقیق، بهبود دسترس‌پذیری، هزینه‌های کلی سیستم و ظرفیت بافرها از طریق تعیین میزان بهینه بافرهای بین ماشین‌آلات، انتخاب ماشین‌آلات با قابلیت اطمینان بالا و تخصیص آن‌ها و تدوین یک برنامه مناسب تعمیرات و نگهداری است.در این تحقیق از رویکرد ترکیبی شبیه‌سازی، طراحی آزمایش‌ها و شبکه عصبی به‌منظور برآورد اهداف دسترس‌پذیری و هزینه هدف استفاده شد. به‌منظور تحلیل مدل پیشنهادی از یک مثال عددی استفاده شد و بر اساس متدلوژی پیشنهادی مورد تجزیه‌وتحلیل و بررسی قرار گرفت. مدل مربوط به مسئله مورد بررسی، توسط الگوریتم NSGA-II کد نویسی و حل شد و مجموعه جواب‌های پارتو به دست آمد.نتایج حاصل از تحقیق حاکی از اعتبار متدلوژی پیشنهادی برای مسئله مورد بررسی بود.

چکیده هدف اصلی این پژوهش شناسایی عوامل ایجاد ارتعاش و عیوب قابل شناسایی بلبرینگ از طریق صوت‌سنجی به کمک شبکه عصبی چند لایه است. شبکه‌ی عصبی از روش‌های هوشمند محسوب می‌شود و با توجه به خاصیت‌های اصلی آن یعنی قابلیت بالایش برای تخمین توابع غیرخطی و یادگیری تطبیقی، برای عیب‌یابی ارتعاشات مکانیکی ماشین‌آلات یعنی صوت‌سنجی بلبرینگ و تحلیل فرکانسی آنها مورد استفاده قرار گرفته است. برای جمع‌آوری داده‌ها، یک نوع بلبرینگ مخروطی ساچمه‌ای سالم و یک بلبرینگ مشابه آن که ساچمه‌هایش معیوب بودند، در دستگاه‌های مته رومیزی و مته رادیال پایه‌دار، در 5 دور مختلف مورد استفاده و بررسی قرار گرفته است. در این پژوهش، با توجه به شبکه‌ای دارای 10 لایه پنهان، فرکانس سیگنال به عنوان ورودی شبکه عصبی چند لایه در نظر گرفته شده و در نهایت عیوب بلبرینگ و علت احتمالی آن تعیین گردیده و اقدامات اصلاحی پیشنهاد شده است.

چکیده در اکثر مواقع، هشداری که از یک نمودار کنترل دریافت می‌شود نشان‌دهنده زمان واقعی تغییر در فرآیند نیست که علت آن وجود تأخیر بین زمان واقعی تغییر و زمان دریافت هشدار از نمودار کنترل است. در نتیجه نیاز است که زمان واقعی تغییر که از آن به عنوان "نقطه تغییر" یاد می‌شود، بررسی شود. با بررسی ادبیات موضوع شناسایی زمان واقعی تغییر در فرآیند می‌توان نتیجه گرفت که اکثر تحقیقات انجام شده در این حوزه بر فرآیندهای تک متغیره متمرکز بوده و تحقیقات اندکی به فرآیندهای چند متغیره اختصاص یافته است. علاوه بر این، بیش‌تر تحقیقات انجام شده در حوزه تخمین زمان تغییر در فرآیندهای چند متغیره معطوف به تغییرات در بردار میانگین فرآیند بوده و تنها یک تحقیق در خصوص ماتریس کواریانس انجام شده است. در این مقاله مدلی مبتنی بر شبکه عصبی مصنوعی برای تخمین نقطه تغییر در ماتریس کواریانس فرآیندهای نرمال چند متغیره پیشنهاد شده است. روش ارائه شده در فاز 2 نمودارهای کنترل می‌باشد و نوع تغییر رخ داده در واریانس مشخصه‌های کیفی از نوع تغییرات پله‌ای فرض شده است. عملکرد روش پیشنهادی در تخمین نقطه تغییر براساس دو معیار توزیع تجربی برآوردها و هم‌چنین میانگین و انحراف استاندارد تخمین‌زننده نقطه تغییر به ازای شیفت‌های پله‌ای مختلف در واریانس متغیرهای فرآیند در قالب مطالعه شبیه‌سازی ارزیابی شده است. در نهایت به منظور توضیح بیشتر روش ارائه شده یک مثال عددی ارائه شده است. نتایج حاصل نشان‌دهنده عملکرد مناسب روش پیشنهادی در تخمین نقطه تغییر در ماتریس کواریانس فرآیندهای نرمال چند متغیره می‌باشد.