برآورد باقیمانده عمر مفید تجهیزات با زوال تدریجی با سیاست نگهداری و تعمیرات مبتنی بر شرایط با حضور دو عامل تسریع کننده خرابی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار، دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران

2 دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران

چکیده

معمولاً تجهیزات بر اساس فرآیند زوال تدریجی با الگوی تصادفی دچار خرابی می شوند. در این موارد سطح زوال به طور تدریجی افزایش می یابد و زمانی که مقدار آن از آستانه زوال از پیش تعریف شده تجاوز کند، از کارافتاده تلقی می شود. علاوه بر آن ممکن است عوامل اغتشاش محیطی مانند دما، رطوبت، فشار و نظایر آن با تغییرات غیر قابل کنترل مواجه شده و الگوهای خرابی را تغییر و یا تسریع کنند. از آنجائی که تخمین باقیمانده طول عمر تجهیز اهمیت بسیاری در موثر بودن برنامه ریزی نگهداری و تعمیرات پیشبینانه دارد و این برآورد متکی بر شناسائی الگوهای تسریع شده خرابی می بایست انجام شود، تحقیق حاضر  برای نخستین بار بر برآورد باقیمانده طول عمر تجهیز در شرایط حضور اثرات تسریع کننده دو عامل اخلال همبسته متمرکز شده است و در آن برای پایش عوامل تاثیر گذار محیطی بر طول عمر تجهیز از نمودارهای کنترلی و چگونگی برآورده متوسط باقیمانده طول عمر تجهیز در شرایط مختلف تحت کنترل بودن، خارج از کنترل بودن به دلیل عامل اخلال اول، خارج از کنترل بودن به دلیل عامل دوم و خارج از کنترل بودن به دلیل هر دو عامل ارائه شده است. برای تشریح هر چه بیشتر جزئیات محاسبات مثال عددی نیز ارائه شده ‌است.

کلیدواژه‌ها


[1]Wang H. (2002). A survey of maintenance policies of deteriorating systems, European Journal of Operational Research,139:469–489.

[2] Jardine, A.K.S., Lin, D., Banjevic, D., 2006. A review on machinery diagnostics andprognostics implementing condition-based maintenance. Mechanical Systems

[3] Elwany, A.H., Gebraeel, N.Z., 2008. Sensor-driven prognostic models for equipment replacement and spare parts inventory. IIE Transactions 40, 629–639.

[4] Wang, W., Hussian, B., 2009. Plant residual time modelling based on observed variables in oil samples. Journal of the Operational Research Society 60, 789–769

[5] Kim, K.O., Kuo, W., 2009. Optimal burn-in for maximizing reliability of repairable non-series systems. European Journal of Operational Research 193, 140–151.

[6] Elsayed, A.(2012). Reliability Engineering. John Wiley & Sons

[7] Xiao-sheng, s., Wenbin, w., Chang-Hua, H., & Dong-Hua, Z. (2011). Remaining useful life estimation- A review on the statistical data driven approaches, European Journal of Operational Research, 213, 1-14.

[8] E Deloux., B Castanier., and C Be´renguer. (2008). Maintenance policy for a deteriorating system evolving in a stressful environment, 222,  613-622

[9] Dodson, B. (2006). Accelerated testing-A Practitioner’s Guide to Accelerated and Reliability Testing. United States of America: SAE international.

[10] Pecht MG. (208). Prognostics and health management of electronics, Hoboken: John Wiley & Sons Inc, p. 1–9.

[11] Si XS., Wang W., Hu CH, Zhou DH.(2011). Remaining useful life estimation–a review on the statistical data-driven approaches. Eur Journal of the Operational Research, 213(1), 1–14.

 [12] Hu, C., Zhou, Z., Zhang, J., & Si, X. (2015). A survey on life prediction of equipment. Chinese Journal of Aeronautics, 28(1) ,25-33

[13] Cassady, CR., Bowden, RO., Liew, L., & Pohl, EA.(2000). Combining preventive maintenance and statistical process control: a preliminary investigation. IIE Trans, 32, 471–8.

[14] Ben-Daya, M., & Rahim, MA. (2000). Effect of maintenance on the economic design of x-control chart. European Journal of Operational Research, 120, 131–43.

[15] Linderman, K., McKone-Sweet, KE., & Anderson, JC. (2005). An integrated systems approach to process control and maintenance. European Journal of Operational Research, 164, 324–40.

[16] Deloux, E., B.Castanier, & C.Berenguer. (2009). Predictive maintenance policy for a gradually deteriorating system subject to stress. Reliability Engineering and System Safety, 94, 418-431.

[17] Mehr afrooz, Z., & Noorossana, R. (2011). An integrated model based on statistical process control and maintenance. Computers & Iindustrial engieering, 61, 1245-1255.