برنامهريزي تعميرات و نگهداري پيشگويانه ايستگاههاي گاز با رويكرد و شبكههاي عصبي فازي PCA تركيب

The Strategic Model of Global Strategic Supplier Selection

با ظهور نگهداري و تعميرات (نت) پيشگويانه در 1980، تحول شگرفي در برنامه‌ريزي نت تجهيزات پديدار گرديد. با توجه به اين‌كه نت پيشگويانه، متكي بر پيشگويي وقوع خرابي در خصوص تجهيزات در حال استفاده است، چنانچه بتوان پيشگويي صحيح‌تري از وقوع خرابي در آينده ارايه داد، مي‌توان هزينه‌هاي نت را به طور قابل ملاحظه كم كرد. اين رويكرد، خود مستلزم به‌كارگيري ابزار و فنون متعدد، از جمله تكنيك‌هاي هوش مصنوعي، مثل شبكه‌هاي عصبي و تيوري مجموعه‌هاي فازي است. فعاليت‌هاي شركت ملي گاز ايران در زمره صنايعي است كه هزينه‌هاي نت در آن قابل توجه است و بنابراين استفاده از نت پيشگويانه در مورد آن‌ها توجيه اقتصادي دارد. فرايند توزيع گاز طبيعي در سطح كشور به گونه‌اي است كه لوله‌هاي انتقالي كه از زير زمين عبور داده شده‌اند دچار خوردگي مي‌شوند و اين موضوع باعث ايجاد هزينه‌هاي زياد براي شركت ملي گاز ايران مي‌شود. در اين تحقيق، پيشگويي وقوع خرابي بر مبناي مدل تركيبي شبكه‌هاي عصبي فازي و تحليل مولفه‌هاي اصلي انجام شده است. نتايج تحقيق نشان مي‌دهد كه مدل ارايه شده 25 درصد از هزينه‌هاي بازرسي را نسبت به وضعيت فعلي كاهش مي‌دهد.

With the emergence of predictive maintenance in 1980, radical changes took place in maintenance planning. Predictive maintenance depends on the prediction of facilities failure which are used at present. By predicting the failures correctly in future, we can decrease the cost of maintenance to a great extent. This approach involves using multiple techniques including artificial intelligence, that is, neural network, and “fuzzy sets” theory. The cost of maintenance is high for the activities of Iran’s National Gas Company, therefore, the application of predictive maintenance can be economical. Gas is distributed through underground pipes which Corrosion destroys; thus, the cost inflicted on the society’s capital is incalculable. In this study predicting the failure was based on the combined model of fuzzy neural network and principle component analysis. The results indicated that this model can decrease the inspection costs by 25%.