نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

16 آذر 1401 4:55 ب.ظ

مدل نگهداری پیشگیرانه جدید می تواند میلیون ها شرکت را نجات دهد

15 جولای 2022 -توسط دانشگاه صنعتی آیندهوون -اسکنر مداخله ای XR فیلیپس که محقق کالین درنت مدل تعمیر و نگهداری هوشمند خود را بر روی آن آزمایش کرد. اعتبار: فیلیپس

72000 یورو  ، زمانی که یک دستگاه تراشه ساز به مدت یک ساعت به دلیل خرابی از کار بیفتد، به همین میزان تمام می شود. منطقی است که شرکت ها بخواهند به هر قیمتی از این نوع خرابی ها جلوگیری کنند. راه حل آنها تعمیر و نگهداری پیشگیرانه است: شناسایی نقص های احتمالی به موقع، به طوری که قبل از اینکه خیلی دیر شود بتوانند مداخله کنند. با این حال، پیش‌بینی زمان بهینه برای تعمیر و نگهداری (نه خیلی دیر، اما نه خیلی زود) آسان نیست، به خصوص که هر قطعه از تجهیزات متفاوت است. دکترمحقق کالین درنت پاسخ این چالش را در مدل‌ها و داده‌های ریاضی هوشمند یافت – داده‌های بسیار. او اخیراً دکترای خود را با افتخار از گروه ریاضی و علوم کامپیوتر دریافت کرده است..

ماشین‌های تولید تراشه تنها دستگاه‌های با تکنولوژی بالا نیستند که خرابی آن‌ها می‌تواند هزینه‌های انگشت شماری (و حتی گاهی اوقات زندگی) را به همراه داشته باشد. به قطارها یا هواپیماها، اسکنرهای سی تی در بیمارستان ها یا توربین های بادی در دریا فکر کنید. تخمین زده می شود که خرابی های برنامه ریزی نشده ماشین آلات هر سال حدود 50 میلیارد یورو برای کسب و کارها در سراسر جهان هزینه دارد. حدود نیمی از این به دلیل خرابی است.

کالین درنت، محقق در گروه تحقیقات عملیات تصادفی، می گوید: «بنابراین برای شرکت ها بسیار مهم است که خرابی های احتمالی اجزای حیاتی را به موقع تشخیص دهند، تا بتوانند قبل از اینکه خیلی دیر شود، آنها را تعمیر یا تعویض کنند. اما البته، شرکت‌ها نیز نمی‌خواهند خیلی زود مداخله کنند: قطعات گران هستند و شما ترجیح می‌دهید تا زمانی که ممکن است از آنها استفاده کنید.

یک اسکنر گران قیمت

برای تعیین بهترین زمان برای مداخله، Drent در مورد اسکنر IXR فیلیپس تحقیق کرد. این سی‌تی‌اسکنرهای گران‌قیمت به پزشکان اجازه می‌دهند تا جراحی هدایت‌شده با تصویر را انجام دهند که برای بیمار کم تهاجمی است.

Drent به سرعت در طول تحقیقات خود متوجه شد که مدل های استاندارد برای نگهداری پیشگیرانه در این مورد به خوبی کار نمی کنند. “آنها فرض می کنند که دستگاه ها همه یکسان هستند، و بنابراین شما می توانید با اطمینان زیادی پیش بینی کنید که چه زمانی قطعات خاصی نیاز به تعویض دارند. اما این اغلب درست نیست. هر سی تی اسکنر متفاوت است، و همچنین روش و مکان استفاده از آن متفاوت است. به دما یا رطوبت فکر کنید.”

خوشبختانه، این دستگاه های مدرن، به دلیل سنسورهای زیادی که به آن ها مجهز شده اند، داده های بسیار زیادی تولید می کنند. ما می‌توانیم از این داده‌ها برای  هوشمندتر کردن مدل‌هایمان استفاده کنیم. به این ترتیب می‌توانیم پیش‌بینی‌های خاصی برای هر دستگاه و جزء انجام دهیم، حتی اگر از قبل نمی‌دانیم دقیقاً چه عواملی بر روند پیری تأثیر می‌گذارند.»

درنت از دو روش مختلف برای تحلیل خود استفاده کرد: یادگیری بیزی و مدل تصمیم مارکوف. “این دو مزیت دارد: با ترکیب قابلیت یادگیری بیزی یادگیری با مدل تصمیم مارکوف، من توانستم پیش بینی های خود را دقیق تر انجام دهم. علاوه بر این، این الگوریتم ها بسیار شفاف هستند. بنابراین ما دقیقا می دانیم که چه اتفاقی می افتد و به چه دلیلی در حال رخ دادن است. از این نظر، این الگوریتم‌ها مکمل روش‌های سنتی هوش مصنوعی مانند یادگیری عمیق هستند، جایی که عملکرد دقیق در یک جعبه سیاه پنهان می‌ماند.

در نهایت محقق موفق شد هزینه های تعمیر و نگهداری دستگاه های IXR را در مقایسه با مدل های استاندارد به طور متوسط ​​حدود 10 تا 20 درصد کاهش دهد. و این واقعاً زیاد است، اگر به میزان هزینه‌ای که صرف نگهداری از این نوع تجهیزات پیشرفته می‌شود نگاه کنید: هزینه‌های تعمیر و نگهداری چنین ماشین‌هایی معمولاً حداقل به اندازه هزینه‌های خرید بالاست.»

دوقلوها

در مراسم ترفیع به او گفته شد که دکترای خود را دریافت کرده است. تقدیر و تشکر این برای من کاملاً غافلگیرکننده بود، اما سرپرستان من بعداً به من گفتند که عمدتاً به دلیل مشارکت من در این زمینه و کاربرد گسترده روش من است.

او علاوه بر سی تی اسکنر، پنج سناریو دیگر را نیز بررسی کرد. این نشان داد که مدل‌های او به عنوان مثال برای توربین‌های بادی و ماشین‌های تراشه کار می‌کنند. بنابراین درنت مدل خود را “چارچوب یکپارچه” می نامد.

اگرچه بسیاری از تحقیقات او ریاضی است، اما محقق در اصل یک مهندس صنایع است. و این همان رشته ای است که بعد از دکترا به آنجا باز خواهد گشت. درنت در پایان آگوست به عنوان استادیار در گروه تحقیقاتی حسابداری و کنترل برنامه ریزی عملیات در گروه مهندسی صنایع و علوم نوآوری شروع به کار خواهد کرد.

او در آنجا به برادر دوقلوی خود ملوین (همسان) ملحق خواهد شد که او نیز اخیراً به عنوان استادیار در گروه اوپک شروع به کار کرده است. آیا این یک تصادف است؟ نه کاملاً. من و برادرم همیشه علایق یکسانی داشته‌ایم. و همچنین می‌توانیم خیلی خوب با هم کار کنیم. بنابراین من واقعاً مشتاقانه منتظر کار جدیدم هستم.»

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *