شناسايي شاخص‌هاي سلامت تجهيزات، مؤثر بر كيفيت يك محصول پيوسته (مطالعه موردي: فرايند توليد برق واحد دو نيروگاه گازي پرند)

Identifying Significant Health Measurement of Equipment Affecting the Quality of a Continuous Product (Case Study: Unit 2, Parand Gas Turbine Power Plant)

چكيده هدف: توليدكنندگان برتر، كيفيت را معياري اصلي در تصميم‌گيري ميدانند. در اين بين مشخصه‌هاي كيفيتي تحت تأثير تصميم‌هاي نگهداري و تعميرات قرار مي‌گيرند. به بيان ديگر يكي از راه­هاي كنترل كيفيت محصول بررسي شاخص­هاي خروجي تجهيزات است. به همين دليل در اين مقاله مدلي براي تحليل شاخص‌هاي اصلي دريافتي از تجهيزات توليدي براي شناسايي شاخص‌هاي مؤثر‌تر بر كيفيت يك محصول پيوسته توسعه مي‌يابد. روش: تنوع پارامترهاي مؤثر بر كيفيت و تأخير زماني تا بروز تأثيرات در كيفيت، دو جنبه عمده مسئله هستند. در اين مقاله روشي مبتني بر الگوريتم ژنتيك همراه با تابع برازندگي شامل معيارهاي دقت تخمين، سرعت همگرايي و تعداد شاخص‌ها براي شناسايي تركيب بهينه شاخص‌ها توسعه يافته است و از شبكه‌هاي عصبي مصنوعي براي ارزيابي ميزان برازندگي پاسخ‌ها استفاده مي‌شود. يافته ها: مدل نهايي، در رابطه با واحد دو نيروگاه گازي پرند ارزيابي و استفاده شد. استفاده از اين مدل موجب شد، مجموعه بهينه معيارهاي مؤثر بر مشخصه كيفيت در نيروگاه مشخص شود. در اين مورد مطالعاتي و بر اساس داده‌هاي در اختيار، نتايج نشان مي‌دهد تجهيزات انتهايي فرايند توليد، تأثير معنادارتري بر مشخصه كيفيتي دارند. نتيجه گيري: مدل توسعه‌يافته مي‌تواند در قدم‌هاي معين و با در دست بودن داده‌هاي حاصل از فرايند پايش وضعيت تجهيزاتِ فرايند توليد شود. همچنين اطلاعات وضعيت مشخصه كيفيتي، براي يك محصول پيوسته تعيين كند كدام يك از شاخص‌هاي سلامت تجهيزات فرايند توليد، تأثير بيشتري بر كيفيت خروجي دارند و لازم است در تصميم‌ گيري‌ هاي نگهداري و تعميرات، به آن بيشتر توجه شود.

Objective: Major producers consider quality as a major criterion in decision making. Quality characteristics are affected by maintenance and repair decisions. In this study, a model is developed to determine significant measurements of production equipment affecting the quality of a continuous product to identify which measurements are more critical in terms of quality. Methods: Diversity of parameters affecting the quality and the delay until effects on quality come into view, are the main aspects of the issue. Genetic algorithm with a fitness function including prediction accuracy, convergence rate, and number of measurements is developed to obtain optimum set of measurements. Artificial neural networks are also used to evaluate the reliability and validity of the solutions. Results: The proposed model was applied and evaluated by a case study in unit 2, Parand Gas Turbine Power Plant. The results demonstrated the optimum set of measurements which are significantly related to quality characteristic. In addition, the available data demonstrating that the terminal equipment in production process has more significant effects on quality. Conclusion: The proposed model enjoys the capability of identifying the most important health measurements affecting the output quality of a continuous product in some limited steps of optimization algorithm by processing the history data from Condition Monitoring Process. With these significant measurements available, the decision makings in maintenance and repair can happen on the grounds of quality.