ارائه رویکردی برای محاسبه قابلیت اطمینان فازی بر پایه آهنگ خرابی فازی

نوع مقاله : مقاله علمی پژوهشی

نویسنده

استادیار مهندسی صنایع، دانشکده فنی و مهندسی دانشگاه کردستان، سنندج، ایران

چکیده

هدف: ارائه یک روش نوین برای مواجهه با عدم قطعیت در محاسبه قابلیت اطمینان قطعات از طریق بیان آهنگ خرابی قطعات به‎صورت عدد مثلثی فازی و به‎کارگیری محاسبات فازی برای تبدیل آن به عدد قابلیت اطمینان فازی
روش: ابتدا آهنگ خرابی با توجه به عدم قطعیت آن به‎صورت یک عدد فازی مثلثی بیان شده است؛ سپس با فرض تابع عمر نمایی برای قطعه مد نظر، بر پایه این عدد قابلیت اطمینان فازی به دو روش گوناگون محاسبه شده و نتایج آنها با یکدیگر مقایسه شده ‌است. در روش اول از اصل گسترش استفاده شده و عدد قابلیت اطمینان فازی به‎صورت دقیق محاسبه شده است. در این حالت عدد فازی قابلیت اطمینان یک شکل تقریبا مثلثی پیدا کرده است. در روش دوم، با استفاده از رگرسیون خطی، دو تابع خطی برای یال راست و چپ عدد فازی قابلیت اطمینان برازش شده و بدین‌گونه یک عدد فازی مثلثی ساخته شده است.
یافته‎ها: زمانی که تابع چگالی عمر نمائی برای یک قطعه به کار رود، میزان خطای محاسبه‌ی قابلیت اطمینان فازی با استفاده از روش رگرسیون، نسبت به روش اصل گسترش بسیار ناچیز است.
نتیجه‎گیری: تقریب تابع قابلیت اطمینان فازی با به‎کارگیری روش رگرسیون دقت کافی را دارا است و می‌تواند به جای استفاده از روش اصل گسترش مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Developing an Approach to Calculate Fuzzy Reliability Based on Fuzzy Failure Rate

نویسنده [English]

  • MAHMOUD SHAHROKHI
Assistant Prof. of Industrial Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran.
چکیده [English]

Objective: The aim of this paper is to propose a new method to deal with uncertainty in computing the reliability of components through expressing the failure rate as a fuzzy triangular number and using fuzzy calculations to convert it to a fuzzy reliability number.
Methods: Firstly, considering its uncertainty the failure rate is expressed as a triangular fuzzy number. Then, assuming the exponential life-time function for the target component, based on the fuzzy failure rate, the fuzzy reliability is calculated in two different ways and the results are compared with each other. In the first method, the extension principle is used and the fuzzy reliability number is calculated, accurately. In this case, the fuzzy number of reliability has a nearly triangular shape. In the second method, using linear regression, two linear functions are fitted for the right and left edges of the reliability fuzzy number, and thus a triangular fuzzy number is obtained.
Results: When the exponential density function is used for lifetime of a component, the fuzzy reliability calculation error, using the regression method is very small, compared to the original extension method.
Conclusion: The approximation of the fuzzy reliability function, applying the regression method, provides sufficient accuracy and can be used instead of the extension principle method.
 

کلیدواژه‌ها [English]

  • Fuzzy failure rate
  • fuzzy logic
  • Fuzzy reliability
  • Regression
  • Extension Principle
اخوان نوری، محمدرضا؛ مهرگان، محمدرضا؛ زندیه، مصطفی؛ کاظمی، عالیه (1396). مدل‎سازی عوامل مؤثر بر مصرف گاز طبیعی در بخش خانگی با استفاده از نگاشت شناختی فازی (FCM). فصلنامه مدیریت صنعتی، 9(3)، 515-538.
جعفرنژاد، احمد؛ یوسفی زنوز، رضا (1387). ارائه مدل فازی رتبه‌بندی ریسک در پروژه‌های حفاری شرکت پترو پارس. فصلنامه مدیریت صنعتی، 1(1)، 21- 38.
حاتمی، علیرضا؛ حقی فام، محمودرضا؛ موسوی، حسن (1382). ارزیابی قابلیت اطمینان پست‎ها به‎کمک مجموعه‌های فازی. هجدهمین کنفرانس بین‌المللی برق. تهران، شرکت توانیر، پژوهشگاه نیرو.
حقیقی، محمد؛ نایب پور، حمید (1396). رتبه‎بندی شرکت‎های صنعت هواپیمایی ایران با ارزیابی فازی ترکیبی و الگوریتم ژنتیک. فصلنامه مدیریت صنعتی، 9(3)،409-434.
سید اصفهانی، میرمهدی؛ حاجیان حیدری، مجتبی؛ جابری، سعید (۱۳۹۲) .ارائه الگوریتم شبیه‌سازی تبرید به‎منظور بهینه‌سازی قابلیت اطمینان سیستم‌های سری ـ موازی، k ازn و جانشینی با پارامترهای فازی. نشریه بینالمللی مهندسی صنایع و مدیریت تولید، 24(4)، 414- 424.
صادقی مقدم، محمد رضا؛ غریب، علی حسین. (1392). ارزیابی کارایی با استفاده از مدل تحلیل پوششی داده‎های فازی و اعمال محدودیت فازی برای کنترل اوزان و یافتن اوزان عمومی. فصلنامه مدیریت صنعتی، 5(2)، 71-84 .
عموجی، علی؛ فطانت، عبدالحمید (1396). ارائه یک سیستم خبره فازی برای تشخیص نوع بیماری صرع با استفاده از منطق وضعیت و مدل ACH در ایجاد پایگاه دانش. فصلنامه مدیریت صنعتی، 9(2)، 353 -382.
قاضی میرسعید، محمود؛ نجفی، امیرعباس؛ شهریاری، حمید (1393). ارائه روش حل دقیق برای بهبود پایایی سیستم‌های k ازn در مسئله تخصیص مازاد با انتخاب راهبرد مازاد. فصلنامه مدیریت صنعتی، 6(1)، 97-110.
ولی‎پور خطیر، محمد؛ قاسم نیا عربی، نرجس (1395). مدل‎سازی سیستم استنتاج فازی برای ارزیابی ریسک‎های بالقوه در تجهیزات پزشکی. فصلنامه مدیریت صنعتی، 8(4)، 533-554.
 
References
Akhavan Nouri, M. R., Mehreghan, M. R., Zandieh, M., Kazemi, A. (2017). Modeling of Factors Affecting Natural Gas Consumption in Household Using Fuzzy Cognitive Mapping (FCM). Industrial Management Quarterly, 9(3), 515–538.
Amuji, A., Fetanat, A. (2017). Provide a fuzzy expert system to diagnose epilepsy type using the state logic and ACH model in creating a knowledge base. Industrial Management Quarterly, 9(2), 353–382.
Bauer, R. A., Collar, E. & Tung. V. (1992).‏ The Silverlake Project. New York: Oxford University press.
Cheng-Ta, Y. & Fiondella, L. (2016).‏ Optimal redundancy allocation to maximize multi-state computer network reliability subject to correlated failures. Reliability Engineering & System Safety, 166(1), 138-150.
Chern, M. S. (1992). On the computational complexity of reliability redundancy allocation in a series system. Operations Research Letters, 11(5), 309–315.
Chin-Chia, J. & Laih, Y. W. (2016). Distribution and Reliability Evaluation of Max-Flow in Dynamic Multi-State Flow Networks. European Journal of Operational Research,‏ 259 (3), 1045-1053.
Dekker, R. & Plasmeijer, R. (1997). On the use of equipment criticality in maintenance optimization and spare parts inventory control. Safety and Reliability, 3(1), 1709–18.
De Smidt-Destombes, K.S. (2011). A Spare parts model with cold-standby redundancy on system level. Computers & Operations Research, 38(7), 985–991.
Ebrahimipur, V. & Sheikhalishahi, M. (2011). Reliability Optimization of Multi-State Weighted k-out-of-n Systems by Fuzzy Mathematical Programming and Genetic Algorithm. IEEE International Systems Conference.
Finkelstein, M. (2009). On systems with shared resources and optimal switching strategies. Reliability Engineering & System Safety, 94(8), 1358–1362.
Ghazi Mirsaeid, M., Najafi, A. A., Shahriyari, H. (2014). Provide a precise solving method for improving the reliability of k systems of n in the allocation problem with the choice of surplus strategy. Industrial Management Quarterly, 6(1), 97–110.
Haghighi, M.n Nayebpour, H. (2017). Ranking of Iran Airlines Companies by Hybrid Fuzzy Assessment and Genetic Algorithm. Industrial Management Quarterly, 9(3), 409–434.
Hatami, A., Haghifam, M. R., Musavi, H. (2003). Assess the reliability of posts by using fuzzy sets. Eighteenth International Power Conference. Tehran, Tavanir Co., Power Research Center.
Jafarnezhad, A., Usefi Zonuz, R. (2008). Presentation of Fuzzy Risk Rating Model in Petro Pars Drilling Projects. Industrial Management Quarterly, 1(1), 21–38.
Levitin, G., Lisnianski, A., Ben-Haim, H. & Elmakis, D. (1998). Redundancy optimization for series-parallel multi-state systems. IEEE Transactions on Reliability, 47(2), 165–172.
Marseguerra, M., Zio, E. & Podofillini, L. (2005). Multi objective spare part allocation by means of genetic algorithms and monte-carlo simulation. Reliability Engineering & System Safety, 87(3), 325–335.
Mirshams, M. & Hassani, M. (2009). Remote Sensing Satellites Evaluation Software (RSSE Software). Aircraft Engineering and Aerospace Technology, 81(4), 323 - 333.
Nourelfath, M. & Ait-Kadi, D. (2007). Optimization of series-parallel multi-state systems under maintenance policies. Reliability Engineering & System Safety, 92(12), 1620–166.
Rui, P., Xiao, H. & Liu, H. (2016).‏ Reliability of multi-state systems with a performance sharing group of limited size. Reliability Engineering & System Safety, 166(1), 164-170.
Saaty, T.L. (2008) Decision Making with the Analytic Hierarchy Process. International Journal of Services Sciences, 1(1), 83-98.
Sadeghi Moghadam, M. R., Gharib, A. H. (2013). Performance evaluation using the Fuzzy Data Envelopment Analysis Model and applying fuzzy limitation to control weights and to find the weights. Industrial Management Quarterly, 5(2), 71–84.
Seyed Esfehani, M., Hajian Heydari, M., Jaberi, S. (2013). A refrigeration simulation algorithm for optimizing the reliability of parallel series systems, k out of n and substitution with fuzzy parameters. International Journal of Industrial Engineering and Production Management. 24(4), 414-424.
Tian, Z., Zuo, M. J. & Huang, H. (2008). Reliability-redundancy allocation for multi-state series parallel systems. IEEE Transactions on Reliability, 57(2), 303–310.
Valipour Khatir, M., Ghasemnia Arabi, N. (2016). Fuzzy Inference System Modeling to Assess Potential Risks in Medical Equipment, Industrial Management Quarterly, 8(4), 533–554.
Ying, Y. L., Chen, Y., Tang, N. & Kang, R. (2016). Reliability analysis of multi-state systems subject to failure mechanism dependence based on a combination method. Reliability Engineering & System Safety, 166(1), 109-123.