پایان نامه با کلید واژه های داده ها و اطلاعات، طراحی معماری، ساختار داده

دانلود پایان نامه ارشد

كاربردي اشاره كرد.
به منظور رسيدن به يك سطح رقابتي از بهره وري ، كيفيت توليد و در دسترس پذيري سيستم شركتها در تلاش براي رسيدن به شبكه هاي ارتباطي و سيستمهاي فناوري اطلاعات هستند.يكي از مهمترين فناوريها در زمينه اين پيشرفت توجه بيش از پيش به مقوله نگهداري و تعميرات در سازمانها و صنايع است.
ابزارهاي معمولي آناليز داده داراي محدوديتهاي ظرفيت براي تشخيص الگو و كشف دانش موجود در داده ها هستند زيرا آنها فقط از روشها آماري استفاده مي كنند.به همين دليل نيازي براي توليد و ايجاد يك نسل جديد از ابزارهاي محاسباتي و تكنيكهاي پيشرفته براي استخراج اطلاعات مفيد از داده ها وجود داشت كه به عبارت ديگر دانش نام دارد.
در اواخر دهه 80 بخشهايي از كشف دانش در پايگاه هاي داده ظهور كرد. استفاده از مدلها و تكنيكهاي داده كاوي به منظور استخراج دانش مفيد، الگو ها و گرايش هاي قبلا ناشناخته از راههاي نيمه خودكار، برنامه هاي حوزه داده كاوي و تكنيكهاي مرتبط ،متدلوژي ها و تكنولوژي هاي متفاوت در سالهاي اخير گسترش شاياني يافت.توسعه ابزارهاي جمع آوري داده خودكار و رشد سريع داده هاي عظيم الجثه ، نياز فوري به تفسير و بهره برداري از حجم بزرگ داده همراه با ابزارهاي پشتيباني موجود روي توسعه و رشد تكنيكهاي نگهداري و تعميرات تاثير فراواني خواهد گذاشت.
اين تحقيق در نظر دارد كه يك معماري كاربردي از يك سيستم نگهداري و تعميرات پيشگويانه بر اساس تكنيكهاي داده كاوي بر روي اطلاعات جمع آوري شده ارايه دهد.داده كاوي الگوهاي رفتاري را شناسايي و امكان تشخيص سريعتر و دقيق ترخرابي را در تجهيزات فراهم مي كند.
پيشنهاد اين پژوهش اين است كه يك سيستم نگهداري پيشگويانه غيرمتمركز بر اساس كاربرد تكنيكهاي داده كاوي روي داده هاي تعميرات كه توسط ماشينهاي متفاوت بر روي خطوط توليد يكسان يا متفاوت توليد شده است را نمايش دهد.هدف پيش بيني خرابي بر اساس ماتريس الگوهاي رفتاري و توليد برنامه زمانبندي و هشدارهاي متناسب براي فعاليتهاي نگهداري است.

معماري طراحي شده در اين سيستم شامل سه ماژول است:
1- ماژول عملياتي
2- ماژول مدلسازي
3- سكو و بستر مجازي

درادامه در شکل می توانيد قالب مفهومی برای طراحی معماری مورد نظر را مشاهده نماييد.

شکل 1- قالب مفهومی معماری
مطابق شكل داده هاي عملياتي از نگهداري تصحيحي ، پيشگيرانه و پيشگويانه جمع آوري مي شوند.اين روش از جمله استراتژي هاي نگهداري مديريت است.كه در حال يكپارچه سازي همه عملياتهاي انجام شده تصحيحي است و همچنين شامل همه برنامه ريزي ها براي نگهداري پيشگيرانه و پيشگويانه است.الگو و لايه پيش بيني بالاي اين لايه قرار دارد و تكنيكهاي داده كاوي را به منظور ايجاد دانش جديد و ارايه در بستر و سكو نمايش اطلاعات بكار مي گيرند .
فرآيند جمع اوري داده يا يك سيستم چند كارگزاره انجام مي شود.كه مسوول به دست آوردن ، سازگاري و انتقال داده است.حتي زماني كه داده از پايين ترين سطح اطلاعات جمع آوري مي شود، از طريق همه كاربران نگهداري و تعميرات اين اطلاعات بايد با يك نرم افزار تفسير شوند تا با سازگاري ساختار داده ها به بانك اطلاعاتي منتقل شده و قابل تبديل به دانش مفهومي شوند.
همه اعضايي كه در سيستم همكاري مي كنند بايد به يكديگر اعتماد دوطرفه داشته باشند و اعتماد آنها نيز به زير ساخت سيستم برقرار باشد.اطلاعات بدست آمده بحراني هستند بنابراين بايد تضمين شود كه اطلاعات و داده هايي كه از كارگزارها و اپراتورها تا بانك اطلاعاتي جريان پيدا مي كند امن و قابل اعتماد باشند.همچنين مهم است كه سرور پايگاه داده اطلاعات و داده هايي را بپزيرد كه از كارگزاران و اپراتورهاي امن مي رسند.شكل زير سيستم فيزيكي نمايش سه ماژول اصلي سيستم را نشان مي دهد.

شکل 2- نمای کلی سيستم
ماژول عملياتي
براي جمع آوري داده ، نرمال سازي و ذخيره سازي داده است.كه همه داده هاي مرتبط با سه نوع تعمير اصلاحي ، پيشگيرانه و پيشگويانه را جمع آوري مي كند.
ماژول مدلسازي
اين ماژول يا پيش بيني ، هسته مركزي است كه با استفاده از تكنيكهاي داده كاوي دانش ضمني و مخفي موجود را به منظور كشف الگوها بررسي مي كند.و امكان وقوع خرابيها را بر اساس سيستم پيش بيني براي هر تجهيز و دستگاه فراهم مي كند.
اين ماژول با استفاده از رفتار و وقايع رخ داده و سوابق پيشين خرابي امكان وقوع رخداد هاي خرابي در آينده را فراهم مي كند.داده هاي مورد نياز براي اين فرايند از كالاهاي مصرف شده ، شرايط تجهيزات و سناريوهاي مورد نظر بر روي سيستم پشتيبان تصميم يار فراهم مي شوند و به پيش بيني خرابي كمك مي كنند.
ماژول سکوی مجازی
ماژول سوم يك سكو و بستر مجازي براي نمايش و ارايه دانش توليد شده با الگوريتم ها و تكنيكهاي استفاده شده درلايه پيش بيني است.اين لايه امكان مشاهده بصري و توليد هشدارهاي لازم با استفاده از وب سرويسهاي ايجاد شده براي كاربران مختلف با سطوح دسترسي متفاوت و تعريف شده را در روي مرورگرها فراهم مي كند.
سيستم اصلي بر اساس 3 فرايند بنا نهاده شده است كه در ادامه شرح داده شده اند.
مديريت داده و ارتباطات (A1) ، كه منطبق برماژول عملياتي است.سيستم پيش بيني دانش (A2) كه منطبق بر ماژول مدلسازي و پيش بيني است.و توليد هشدار (A3)‌كه منطبق بر ماژول سكو و بستر مجازي است.
فعاليت A1 مسوول جمع آوري داده است.به عنوان خروجي اين فعاليت يك بانك اطلاعاتي بر اساس قوانين نرمالسازي و دانش بنيان براي مطالعه توليد خواهد كرد.فرايند جمع آوري داده بطور خودكار توسط كارگزارها و با استفاده از ابزارها و مكانيزمهاي پيش بيني شده و كانالهاي ارتباطي انجام خواهد شد.در اين فعاليت بعد از جمع آوري همه دادهاي مورد نياز نگهداري و تعميرات اولين گامي كه بايد انجام شود شامل شناسايي همه داده ها و آناليز آنها است تا بتوانند توليد بانك اطلاعاتي را پوشش دهند.اين بانك اطلاعاتي با پالايش و نرمالسازي داده ها آماده شده و به عنوان خروجي به فعاليت A2‌فرستاده مي شود.
فعاليـت A2‌ماژول اصلي پيش بيني دانش و برداشت و استنباط دانش مرتبط به تجهيزات كارخانه است.اين فعاليت دانش جديدي توليد خواهد نمود كه خوراك و ورودي فعاليت A3 خواهد بود.در اين ماژول با توجه به نوع داده ها از تكنيكهايي از قبيل هوش مصنوعي ، درخت تصميم ، قوانين استدلالي و خوشه بندي استفاده خواهد شد.
فعاليت A3 از منابع فعاليت A1 استفاده خواهد كرد تا هشدارهايي شامل احتمال رخداد خرابي هاي را پيش بيني و ارسال كند.اين تابع خروجي مسوول نگهداري و تعميرات را به منظور انجام عملي قبل از وقوع خرابي و عدم كاركرد صحيح تجهيز آگاه خواهد نمود.
نتيجه
اين مقاله يك قالب جديد مفهومي براي سيستم پيش بيني براي تيمهاي نگهداري و تعميرات ارايه مي دهد.بكار بردن تكنيكهاي داده كاوي روي داده هاي نگهداري و تعميرات باعث ايجاد قوانين مفيد براي پيش بيني آينده است.سيستم پيشنهاد شده به شركتها براي جمع آوري ، استخراج و توليد دانش كمك خواهد كرد.و همچنين به انها اجازه پيش بيني با دقت بالاتر را مي دهد تا در يك لحظه بتوانند فعاليت نگهداري متناسب را تشخيص داده و باعث افزايش بهره وري توليد شوند.

3-3- روشی عملی برای ترکيب داده کاوی و تشخيص خرابی

در تحقيق ديگري [21]كه در سال 2009 انجام شده است محققان تلاش كرده اند با توجه به چالشهايي كه كارخانه ها براي افزايش كارايي ، كاهش هزينه ها و بالابردن چرخه حيات و طول عمر تجهيزاتشان با آن مواجه هستند يك استراتژي نگهداري پيشگويانه براي برنامه ريزي سرويس ملاقات تجهيزات و بررسي تجهيز با توجه به شرايط واقعي آن طراحي و تدوين كنند.
براي چالشهاي نامبرده در اين تحقيق به استفاده از دو نظريه كه اكنون بطورجداگانه استفاده مي شوند پرداخته كه عبارتند از داده كاوي و قابليت پيشگوي.
روش پيشنهاد شده شامل دو مرحله مي باشد كه در مرحله اول با استفاده از تكنيكهاي داده كاوي و برآورد قابليت اطمينان بر روي داده هاي تاريخي و پيشين جمع آوري شده به شناسايي و آماده سازي ويژگي هاي مرتبط و وابسته به تجهيزات،كاهش اين ويژگي ها و درنهايت استخراج ويژگي هاي موثر و برجسته مي پردازد و به تشخيص حد آستانه هاي مربوط به آنها كمك مي كند. و در مرحله دوم با استفاده از قابليت پيشگويي بر روي داده هاي در حال اجرا و زنده از تجهيزات براي پيش بيني تغيير تدريجي آينده از اين ويژگي ها پرداخته و سعي در پيش بيني احتمال و زمان خرابي آينده و فعاليت نگهداري و تعميرات آن تجهيرات دارند.اکنون به شرحي از مرحله اول مي پردازيم.
اتصال از راه دور به محل کار تاسيسات و تجهيزات باعث ايجاد يک مشاهده مستمر روي تجهيزات شده که نتيجه آن مي تواند روي طول عمر آنها موثر باشد.و با استفاده از زمانبندي مناسب قبل از اينکه تجهيز به پايان عمر خود برسد دستورالعمل هايي براي نگهداري بهينه پيشنهاد شود.
براي ايجاد مشاهده مستمر يک فرد خبره در مرکز اصلي دسترسي که بصورت دسترسي از راه دور به همه ماشين آلات و تجهيزات متصل بوده و با استفاده از يک مسير و بستر ارتباطي امن از طريق شبکه اقدام به جمع آوري داده ها مي نمايد.اين داده ها شامل انواع نگهداري از جمله نگهداري پيشگيرانه و اطلاعات شرايط تجهيزات است.
به منظور بهينه کردن پيش بيني فعاليتهاي نگهداري پيشگويانه از يک متدولوژي عملي به نام IRIS-PDM استفاده مي شود.که داراي مراحل مختلف است.اين مراحل در شکل زير نشان داده شده اند.

شکل 3- گامهای روش IRIS-Pdm
انتقال اين روش و عملکرد از يک صنعت به صنعتي ديگر ساده است.در اين مقاله در صنعت چاپ و روي دستگاه هاي کپي انجام شده است.نقطه شروع کار استفاده از داده هاي تاريخي و پيشين تجهيزات است.بطور کلي حجم زيادي از داده جمع آوري مي شود اما بنا به نياز شايد بخش محدود از اطلاعات مورد استفاده قرار گيرد.مرحله بعدي آماده سازي داده ها شامل انتقال داده ها از شکل اصلي براي تبديل به فرمت يکسان و پالايش ، مرتب سازي و حذف داده هاي غيرضروري است.اين مرحله زمانبر خواهد بود و بايد داده ها به شکلي که قابل استفاده در نرم افزارهاي داده کاوي باشند تبديل شوند.
مرحله بعد مدلسازي داده مي باشد که خود شامل دو زير مرحله است.در زير مرحله اول با استفاده از متدIndependence Significance Feature سعي در کاهش تعداد ويژگي ها کرده و در زيرمرحله دوم با استفاده از روش درخت تصميم ويژگي هاي مرتبط به هم استخراج مي شوند.
مرحله آخر که همان ماژول پيش بيني مي باشد خود شامل دو گام است.در گام نخست با استفاده از روشهاي برآورد قابليت اطمينان بر روي داده هاي تاريخي و پيشين حد آستانه بهينه همه ويژگي ها استخراج مي شود.سپس در گام دوم با استفاده از الگوريتمهاي پيش بيني و اجراي آنها بر روي داده هاي زنده و در حال کار پيش بيني خرابي تجهيزات انجام مي شود.در گام پيش بيني از روش Weighted Mean Slop(WMS) استفاده شده است.
مجموعه داده اي که براي اين تحقيق استفاده شده است يک بانک اطلاعاتي بزرگ شامل اطلاعات تعميرات و نگهداري مربوط به حدود 200 دستگاه کپي مي باشد.اين اطلاعات شامل داده هايي از بخشهاي مختلف تجهيزات به همراه اطلاعات نگهداري و اقدامات انجام شده در حين تعمير مي باشد.
در مرحله آماده سازي داده ها اطلاعات و داده هاي جمع آوري شده به فرمت يکسان تبديل شده که در قالب يک ماتريس با ويژگي ها و ستونهاي متفاوت قابل مشاهده است.اين ماتريس 2 ستون اضافه براي نوع تعمير انجام شده و اطلاعات جابجايي قطعات به همراه دارد.يک نمونه از اين جدول در شکل قابل مشاهده است.

شکل 4- نمايي از فرمت داده يکسان
روشي که در مرحله مدلسازي و گام کاهش داده ها انجام شده است تکنيک ISF مي باشد.اين مدل سريع و بدون هزينه مشخصه ها و ويژگي هايي که استفاده زيادي براي تقسيم بندي داده ها و اطلاعات در کلاسهاي مختلف را ندارند جدا نموده و کنار مي گذارد.
بر خلاف برخي روشهاي کاهش داده اين روش نمي تواند ويژگي جديد توليد نمايد و مبناي آن بر روي مشخصه هاي اصلي است.اما داراي سرعت بيشتري در روند اجرا

پایان نامه
Previous Entries پایان نامه با کلید واژه های داده کاوی، داده ها و اطلاعات Next Entries پایان نامه با کلید واژه های سلسله مراتب