تعمیر و نگهداری تجویزی

فناوری تعمیر و نگهداری تجویزی با پیش‌بینی ساده مشکلات تولید، مدیریت عملکرد دارایی را دگرگون ساخته است به این صورت که اصلاحات و نسخه‌هایی تجویز می‌کند که باید بر طبق آن‌ها عمل شود. انواع تعمیر و نگهداری پیش‌بینی‌کننده تا مرحله‌ای پیش رفته‌اند که می‌توانند اهداف تولید و استفاده از منابع یک شرکت یا سازمان را در نظر بگیرند. تعمیر و نگهداری تجویزی Prescriptive Maintanance، استراتژی نگهداری دارایی است و از یادگیری ماشینی برای تنظیم شرایط عملیاتی برای دستیابی به نتایج دلخواه و همچنین برنامه ریزی هوشمندانه نگهداری دارایی استفاده می‌کند.

تعمیر و نگهداری پیش‌بینی‌کننده در مقابل نگهداری و تعمیر تجویزی

تعمیر و نگهداری پیش‌بینی‌کننده با استفاده از یادگیری ماشینی و هوش مصنوعی نیاز‌های تعمیر و نگهداری دارایی را پیش‌بینی می‌کند و به این ترتیب مانع تعمیر و نگهداری اصلاحی بداهه شده و برنامه‌ریزی موثری برای تعمیر و نگهداری کارخانه قبل از خرابی تجهیزات انجام می‌دهد.

از سویی دیگر نگهداری و تعمیر تجویزی نه تنها به دنبال امضای خرابی است بلکه اطلاعاتی در مورد نحوه به تاخیر انداختن یا حذف کامل خرابی تجهیزات نیز ارائه می‌دهد. این الگوریتم‌ها می‌توانند داده‌های تاریخی را برای انواع مختلف شرایط عملیاتی جستجو کنند، الگوها را استخراج کرده و داده‌ها را برای محیط‌های عملیاتی فرضی برونیابی کنند. مدل تعمیر و نگهداری تجویزی می‌تواند اثرات و عواقب ناشی از تنظیمات کوچک برای یک فرآیند صنعتی را شبیه‌سازی کند و به این ترتیب امکان انجام آزمایش‌های پرهزینه و پرخطر در شبیه‌سازی کامپیوتری فراهم می‌شود.

ورودی ها و نیازها اجرای تعمیر و نگهداری تجویزی

برای اینکه تعمیر و نگهداری تجویزی مؤثر باشد یک مدل یادگیری ماشینی باید در مورد حسگرهای تاریخی و داده‌های خدمات آموزش داده شود. هرچه اطلاعات باکیفیت‌تری در دسترس باشد، مدل هوش مصنوعی دقیق‌تر خواهد بود و نشانه‌های بیشتری از نیازهای تعمیر و نگهداری و امضای خرابی شناسایی می‌شود و در عین حال فعالیت‌های کاذب کمتری تولید می‌شود. در برخی موراد لازم است داده‌ها قبل از وارد شدن به الگوریتم یادگیری ماشینی پاک شوند. برای مثال، گاهی لازم است مقادیر حسگر طوری تنظیم شود تا تغییرات در کالیبراسیون را نشان دهد یا نحوه کدگذاری خطاهای مختلف توسط اپراتورهای انسانی را استاندارد کند.

هنگام آموزش الگوریتم تعمیر و نگهداری تجویزی، می‌توان اطلاعات سطح بالاتری درباره سازمان در اختیار الگوریتم یادگیری ماشینی قرار داد. به این ترتیب نرم افزار می‌تواند ملاحظات استراتژیک، مانند هزینه تعمیرات و زمان از کار افتادگی تولید را برآورد کند.

همین حالا نسخه رایگان نرم افزار نگهداری و تعمیرات ما را دانلود کنید و کارایی خود را افزایش دهید

پیشنهادات روش تعمیر و نگهداری تجویزی

آموزش مدل یادگیری ماشینی روی سخت‌افزار تخصصی انجام می‌شود و یا در محل یا در فضای ابری ذخیره می‌شود. این مدل کُدی است که در محل یا در فضای ابری مستقر می‌شود و بنابراین باید راهی برای دسترسی به مدل و اجرای آن پیدا کرد. این مدل می‌تواند مستقیما با بسیاری از نرم‌افزارهای مدیریت دارایی ادغام شود و فرآیند یکپارچه‌سازی توصیه‌های مدل نگهداری تجویزی را ساده‌تر کند.

سرانجام برای تعمیر و نگهداری تجویزی شرکت باید مایل و قادر به اجرای توصیه‌های مدل یادگیری ماشینی باشد. نتایجی که برنامه تعمیر و نگهداری تجویزی تولید می‌کند منجر به انتخاب‌هایی می‌شود که قبلا با شانس یا با امتحان کردن و دیدن مشخص می‌شد. با توجه به اینکه تعمیر و نگهداری تجویزی اطلاعات مالی و عملیاتی را هنگام ارائه توصیه‌ها در نظر می‌گیرد درگیری‌هایی بین بخش‌های مختلف بوجود می‌آید.

قدرت تعمیر و نگهداری تجویزی

دقت تعمیر و نگهداری پیش بینانه PDM در بسیاری از شاخه‌های صنعت اثبات شده است. توصیه‌های تعمیر و نگهداری تجویزی منجر به اجرای جامع‌تر قدرت یادگیری ماشینی در عملیات‌های فیزیکی شرکت یا سازمان می‌شود.

در حالی که تعمیر و نگهداری پیش بینی‌کننده اطلاعاتی در مورد یک تصمیم دوتایی می‌دهد مانند انتخاب انجام یا به تعویق انداختن تعمیر و نگهداری دارایی، اما تعمیر و نگهداری تجویزی مجموعه ای از گزینه‌ها و نتایج ارائه می‌دهد که می‌توان از بین آنها انتخاب کرد. برای مثال، با کمتر کردن فشار کمپرسور می‌توان از توقف کامل تولید جلوگیری کرد یا، کارخانه سرعت دستگاه را زیر یک آستانه مشخص نگه می دارد تا زمان از کار افتادگی برنامه ریزی شده را به منظور همزمانی با تحویل یک قطعه جدید از تجهیزات عقب بیندازد.

تعمیر و نگهداری تجویزی می‌تواند هزینه‌های سرمایه را ماه‌ها قبل از اینکه اپراتورهای انسانی بتوانند تشخیص دهند تعیین کند. به عنوان مثال، ابزارهای تعمیر و نگهداری تجویزی می‌توانند به عنوان یک محیط آزمایش دیجیتالی عمل کنند و نتایج اضافه کردن تجهیزات را قبل از خرید شبیه سازی کنند. به این ترتیب شرکت یا سازمان می‌تواند خرید مقرون به صرفه‌تری را برنامه‌ریزی کند.