تلفيق خودهمبستگي هاي زماني در ساختار نروسيناپتيكي برازش تابع پيش بيني قابليت اطمينان سيستم هاي تعميرپذير

ساختار تغييرات قابليت اطمينان سيستم هاي تعمير پذير بگونه اي است كه مي توان آنها را در قالب يك فرايند سري زماني مدل كرده و مقدار تغييرات آينده را توسط تكنيك هاي پيش بيني برآورد نمود، با اين حال، وجود عوامل متعددي چون شرايط ماشين آلات، شرايط عملياتي و نگهداري كه از يك طرف بر قابليت اطمينان سيستم تاثير دارند و از طرفي ديگر، امكان كنجديدن آنها در مدل هاي سري زماني وجود ندارد، خروجي پيش بيني ها را كم ارزش جلوه مي دهد. برخي از اين شرايط بوسيله تعداد زيادي از عوامل درگير به صورت همزمان، كه درك و شناسايي فعل و انفعالات را دشوار مي سازد، توصيف مي شود. از آنجا كه براي درك اين شرايط نياز به يك ابزار خود تنطباقي است در اين مقاله، پس از شناسايي عوامل موثر در شكست سيستم بوسيله تكنيك تحليل واريانس و محاسبه پارامترهاي خودهمبستگي مفروض در داده ها بوسيله آزمون Portmanteau و تكنيك decornposition سري زماني، ساختار دروسيناپتيكي جهت پيش بيني قابليت اطمينان بوسيله شبكه هاي عصبي مصنوعي پيشنهاد مي شود كه علاوه بر مدنظر قراردادن رفتار سري زماني تغييرات، عوامل موثر را نيز مدلسازي نموده تا دقت و ارزش تحليل ها افزايش يابد. نتايج اين مطالعه مي تواند يك مرجع با ارزش براي مهندسان تعميرات در جهت ارزيابي شرايط فعلي و تهيه استراتژيهاي بهينه نگهداري و تعميرات، باشد. علاوه بر ارزش بيشتر خروجي مدل، نتايج عددي بر روي داده هاي خرابي 132 ماه از 995 الكتروموتور شركت گاز پارس جنوبي عسلويه، در مقايسه با مدل هاي ديگر پيش بيني، نشان از كاهش خطا در مدل پيشنهادي مي باشد.