در اواخر دهه ۸۰ بخشهایی از کشف دانش در پایگاه های داده ظهور کرد. استفاده از مدلها و تکنیکهای داده کاوی به منظور استخراج دانش مفید، الگو ها و گرایش های قبلا ناشناخته از راه های نیمه خودکار، برنامه های حوزه داده کاوی و تکنیکهای مرتبط ،متدلوژی ها و تکنولوژی های متفاوت در سالهای اخیر گسترش شایانی یافت.توسعه ابزارهای جمع آوری داده خودکار و رشد سریع داده های عظیم الجثه ، نیاز فوری به تفسیر و بهره برداری از حجم بزرگ داده همراه با ابزارهای پشتیبانی موجود روی توسعه و رشد تکنیکهای نگهداری و تعمیرات تاثیر فراوانی خواهد گذاشت.
این تحقیق در نظر دارد که یک معماری کاربردی از یک سیستم نگهداری و تعمیرات پیشگویانه بر اساس تکنیکهای داده کاوی بر روی اطلاعات جمع آوری شده ارائه دهد.داده کاوی الگوهای رفتاری را شناسایی و امکان تشخیص سریعتر و دقیق ترخرابی را در تجهیزات فراهم می کند.
پیشنهاد این پژوهش این است که یک سیستم نگهداری پیشگویانه غیرمتمرکز بر اساس کاربرد تکنیکهای داده کاوی روی داده های تعمیرات که توسط ماشینهای متفاوت بر روی خطوط تولید یکسان یا متفاوت تولید شده است را نمایش دهد.هدف پیش بینی خرابی بر اساس ماتریس الگوهای رفتاری و تولید برنامه زمانبندی و هشدارهای متناسب برای فعالیتهای نگهداری است.

معماری طراحی شده در این سیستم شامل سه ماژول است:

1. 1. ماژول عملیاتی

1. 1. ماژول مدلسازی

1. 1. سکو و بستر مجازی

درادامه در شکل می توانید قالب مفهومی برای طراحی معماری مورد نظر را مشاهده نمایید.

شکل ۱- قالب مفهومی معماری
مطابق شکل داده های عملیاتی از نگهداری تصحیحی ، پیشگیرانه و پیشگویانه جمع آوری می شوند.این روش از جمله استراتژی های نگهداری مدیریت است.که در حال یکپارچه سازی همه عملیاتهای انجام شده تصحیحی است و همچنین شامل همه برنامه ریزی ها برای نگهداری پیشگیرانه و پیشگویانه است.الگو و لایه پیش بینی بالای این لایه قرار دارد و تکنیکهای داده کاوی را به منظور ایجاد دانش جدید و ارائه در بستر و سکو نمایش اطلاعات بکار می گیرند .
فرایند جمع اوری داده یا یک سیستم چند کارگزاره انجام می شود.که مسوول به دست آوردن ، سازگاری و انتقال داده است.حتی زمانی که داده از پایین ترین سطح اطلاعات جمع آوری می شود، از طریق همه کاربران نگهداری و تعمیرات این اطلاعات باید با یک نرم افزار تفسیر شوند تا با سازگاری ساختار داده ها به بانک اطلاعاتی منتقل شده و قابل تبدیل به دانش مفهومی شوند.
همه اعضایی که در سیستم همکاری می کنند باید به یکدیگر اعتماد دوطرفه داشته باشند و اعتماد آنها نیز به زیر ساخت سیستم برقرار باشد.اطلاعات بدست آمده بحرانی هستند بنابراین باید تضمین شود که اطلاعات و داده هایی که از کارگزارها و اپراتورها تا بانک اطلاعاتی جریان پیدا می کند امن و قابل اعتماد باشند.همچنین مهم است که سرور پایگاه داده اطلاعات و داده هایی را بپزیرد که از کارگزاران و اپراتورهای امن می رسند.شکل زیر سیستم فیزیکی نمایش سه ماژول اصلی سیستم را نشان می دهد.

شکل ۲- نمای کلی سیستم
ماژول عملیاتی
برای جمع آوری داده ، نرمال سازی و ذخیره سازی داده است.که همه داده های مرتبط با سه نوع تعمیر اصلاحی ، پیشگیرانه و پیشگویانه را جمع آوری می کند.
ماژول مدلسازی
این ماژول یا پیش بینی ، هسته مرکزی است که با بهره گرفتن از تکنیکهای داده کاوی دانش ضمنی و مخفی موجود را به منظور کشف الگوها بررسی می کند.و امکان وقوع خرابیها را بر اساس سیستم پیش بینی برای هر تجهیز و دستگاه فراهم می کند.
این ماژول با بهره گرفتن از رفتار و وقایع رخ داده و سوابق پیشین خرابی امکان وقوع رخداد های خرابی در آینده را فراهم می کند.داده های مورد نیاز برای این فرایند از کالاهای مصرف شده ، شرایط تجهیزات و سناریوهای مورد نظر بر روی سیستم پشتیبان تصمیم یار فراهم می شوند و به پیش بینی خرابی کمک می کنند.
ماژول سکوی مجازی
ماژول سوم یک سکو و بستر مجازی برای نمایش و ارائه دانش تولید شده با الگوریتم ها و تکنیکهای استفاده شده درلایه پیش بینی است.این لایه امکان مشاهده بصری و تولید هشدارهای لازم با بهره گرفتن از وب سرویسهای ایجاد شده برای کاربران مختلف با سطوح دسترسی متفاوت و تعریف شده را در روی مرورگرها فراهم می کند.
سیستم اصلی بر اساس ۳ فرایند بنا نهاده شده است که در ادامه شرح داده شده اند.
مدیریت داده و ارتباطات (A1) ، که منطبق برماژول عملیاتی است.سیستم پیش بینی دانش (A2) که منطبق بر ماژول مدلسازی و پیش بینی است.و تولید هشدار (A3)‌که منطبق بر ماژول سکو و بستر مجازی است.
فعالیت A1 مسوول جمع آوری داده است.به عنوان خروجی این فعالیت یک بانک اطلاعاتی بر اساس قوانین نرمالسازی و دانش بنیان برای مطالعه تولید خواهد کرد.فرایند جمع آوری داده بطور خودکار توسط کارگزارها و با بهره گرفتن از ابزارها و مکانیزمهای پیش بینی شده و کانالهای ارتباطی انجام خواهد شد.در این فعالیت بعد از جمع آوری همه دادهای مورد نیاز نگهداری و تعمیرات اولین گامی که باید انجام شود شامل شناسایی همه داده ها و آنالیز آنها است تا بتوانند تولید بانک اطلاعاتی را پوشش دهند.این بانک اطلاعاتی با پالایش و نرمالسازی داده ها آماده شده و به عنوان خروجی به فعالیت A2‌فرستاده می شود.
فعالیـت A2‌ماژول اصلی پیش بینی دانش و برداشت و استنباط دانش مرتبط به تجهیزات کارخانه است.این فعالیت دانش جدیدی تولید خواهد نمود که خوراک و ورودی فعالیت A3 خواهد بود.در این ماژول با توجه به نوع داده ها از تکنیکهایی از قبیل هوش مصنوعی ، درخت تصمیم ، قوانین استدلالی و خوشه بندی استفاده خواهد شد.
فعالیت A3 از منابع فعالیت A1 استفاده خواهد کرد تا هشدارهایی شامل احتمال رخداد خرابی های را پیش بینی و ارسال کند.این تابع خروجی مسوول نگهداری و تعمیرات را به منظور انجام عملی قبل از وقوع خرابی و عدم کارکرد صحیح تجهیز آگاه خواهد نمود.
نتیجه
این مقاله یک قالب جدید مفهومی برای سیستم پیش بینی برای تیمهای نگهداری و تعمیرات ارائه می دهد.بکار بردن تکنیکهای داده کاوی روی داده های نگهداری و تعمیرات باعث ایجاد قوانین مفید برای پیش بینی آینده است.سیستم پیشنهاد شده به شرکتها برای جمع آوری ، استخراج و تولید دانش کمک خواهد کرد.و همچنین به انها اجازه پیش بینی با دقت بالاتر را می دهد تا در یک لحظه بتوانند فعالیت نگهداری متناسب را تشخیص داده و باعث افزایش بهره وری تولید شوند.
۳-۳- روشی عملی برای ترکیب داده کاوی و تشخیص خرابی
در تحقیق دیگری [۲۱]که در سال ۲۰۰۹ انجام شده است محققان تلاش کرده اند با توجه به چالشهایی که کارخانه ها برای افزایش کارایی ، کاهش هزینه ها و بالابردن چرخه حیات و طول عمر تجهیزاتشان با آن مواجه هستند یک استراتژی نگهداری پیشگویانه برای برنامه ریزی سرویس ملاقات تجهیزات و بررسی تجهیز با توجه به شرایط واقعی آن طراحی و تدوین کنند.
برای چالشهای نامبرده در این تحقیق به استفاده از دو نظریه که اکنون بطورجداگانه استفاده می شوند پرداخته که عبارتند از داده کاوی و قابلیت پیشگوی.
روش پیشنهاد شده شامل دو مرحله می باشد که در مرحله اول با بهره گرفتن از تکنیکهای داده کاوی و برآورد قابلیت اطمینان بر روی داده های تاریخی و پیشین جمع آوری شده به شناسایی و آماده سازی ویژگی های مرتبط و وابسته به تجهیزات،کاهش این ویژگی ها و درنهایت استخراج ویژگی های موثر و برجسته می پردازد و به تشخیص حد آستانه های مربوط به آنها کمک می کند. و در مرحله دوم با بهره گرفتن از قابلیت پیشگویی بر روی داده های در حال اجرا و زنده از تجهیزات برای پیش بینی تغییر تدریجی آینده از این ویژگی ها پرداخته و سعی در پیش بینی احتمال و زمان خرابی آینده و فعالیت نگهداری و تعمیرات آن تجهیرات دارند.اکنون به شرحی از مرحله اول می پردازیم.
اتصال از راه دور به محل کار تاسیسات و تجهیزات باعث ایجاد یک مشاهده مستمر روی تجهیزات شده که نتیجه آن می تواند روی طول عمر آنها موثر باشد.و با بهره گرفتن از زمانبندی مناسب قبل از اینکه تجهیز به پایان عمر خود برسد دستورالعمل هایی برای نگهداری بهینه پیشنهاد شود.
برای ایجاد مشاهده مستمر یک فرد خبره در مرکز اصلی دسترسی که بصورت دسترسی از راه دور به همه ماشین آلات و تجهیزات متصل بوده و با بهره گرفتن از یک مسیر و بستر ارتباطی امن از طریق شبکه اقدام به جمع آوری داده ها می نماید.این داده ها شامل انواع نگهداری از جمله نگهداری پیشگیرانه و اطلاعات شرایط تجهیزات است.
به منظور بهینه کردن پیش بینی فعالیتهای نگهداری پیشگویانه از یک متدولوژی عملی به نام IRIS-PDM استفاده می شود.که دارای مراحل مختلف است.این مراحل در شکل زیر نشان داده شده اند.
شکل ۳- گامهای روش IRIS-Pdm
انتقال این روش و عملکرد از یک صنعت به صنعتی دیگر ساده است.در این مقاله در صنعت چاپ و روی دستگاه های کپی انجام شده است.نقطه شروع کار استفاده از داده های تاریخی و پیشین تجهیزات است.بطور کلی حجم زیادی از داده جمع آوری می شود اما بنا به نیاز شاید بخش محدود از اطلاعات مورد استفاده قرار گیرد.مرحله بعدی آماده سازی داده ها شامل انتقال داده ها از شکل اصلی برای تبدیل به فرمت یکسان و پالایش ، مرتب سازی و حذف داده های غیرضروری است.این مرحله زمانبر خواهد بود و باید داده ها به شکلی که قابل استفاده در نرم افزارهای داده کاوی باشند تبدیل شوند.
مرحله بعد مدلسازی داده می باشد که خود شامل دو زیر مرحله است.در زیر مرحله اول با بهره گرفتن از متدIndependence Significance Feature سعی در کاهش تعداد ویژگی ها کرده و در زیرمرحله دوم با بهره گرفتن از روش درخت تصمیم ویژگی های مرتبط به هم استخراج می شوند.
مرحله آخر که همان ماژول پیش بینی می باشد خود شامل دو گام است.در گام نخست با بهره گرفتن از روش های برآورد قابلیت اطمینان بر روی داده های تاریخی و پیشین حد آستانه بهینه همه ویژگی ها استخراج می شود.سپس در گام دوم با بهره گرفتن از الگوریتمهای پیش بینی و اجرای آنها بر روی داده های زنده و در حال کار پیش بینی خرابی تجهیزات انجام می شود.در گام پیش بینی از روش Weighted Mean Slop(WMS) استفاده شده است.
مجموعه داده ای که برای این تحقیق استفاده شده است یک بانک اطلاعاتی بزرگ شامل اطلاعات تعمیرات و نگهداری مربوط به حدود ۲۰۰ دستگاه کپی می باشد.این اطلاعات شامل داده هایی از بخشهای مختلف تجهیزات به همراه اطلاعات نگهداری و اقدامات انجام شده در حین تعمیر می باشد.
در مرحله آماده سازی داده ها اطلاعات و داده های جمع آوری شده به فرمت یکسان تبدیل شده که در قالب یک ماتریس با ویژگی ها و ستونهای متفاوت قابل مشاهده است.این ماتریس ۲ ستون اضافه برای نوع تعمیر انجام شده و اطلاعات جابجایی قطعات به همراه دارد.یک نمونه از این جدول در شکل قابل مشاهده است.
شکل ۴- نمایی از فرمت داده یکسان
روشی که در مرحله مدلسازی و گام کاهش داده ها انجام شده است تکنیک ISF می باشد.این مدل سریع و بدون هزینه مشخصه ها و ویژگی هایی که استفاده زیادی برای تقسیم بندی داده ها و اطلاعات در کلاسهای مختلف را ندارند جدا نموده و کنار می گذارد.
بر خلاف برخی روش های کاهش داده این روش نمی تواند ویژگی جدید تولید نماید و مبنای آن بر روی مشخصه های اصلی است.اما دارای سرعت بیشتری در روند اجرا می باشد.
با اجرای روش ISF¹ تعداد ویژگی ها از حدود ۱۰۰۰ تا به ۱۰۰ ویژگی کاهش یافت.به این معنی که ۱۰۰ ویژگی که دارای درجه اهمیت بیشتری برای ادامه کار و پیش بینی خرابی هستند انتخاب می شوند.در گام بعدی با بهره گرفتن از روش درخت تصمیم(DT) سعی شده است که ویژگی های مرتبط و وابسته به هم شناسایی و در دسته های جدا استخراج شوند.