شناسایی شاخص‌های سلامت تجهیزات، مؤثر بر کیفیت یک محصول پیوسته (مطالعه موردی: فرایند تولید برق واحد دو نیروگاه گازی پرند)

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 کارشناس ارشد، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم‌های مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران

2 استادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع و سیستم‌های مدیریت، دانشگاه صنعتی امیرکبیر، تهران، ایران

چکیده

هدف: تولیدکنندگان برتر، کیفیت را معیاری اصلی در تصمیم‌گیری می‎دانند. در این بین مشخصه‌های کیفیتی تحت تأثیر تصمیم‌های نگهداری و تعمیرات قرار می‌گیرند. به بیان دیگر یکی از راه­های کنترل کیفیت محصول بررسی شاخص­های خروجی تجهیزات است. به همین دلیل در این مقاله مدلی برای تحلیل شاخص‌های اصلی دریافتی از تجهیزات تولیدی برای شناسایی شاخص‌های مؤثر‌تر بر کیفیت یک محصول پیوسته توسعه می‌یابد.
روش: تنوع پارامترهای مؤثر بر کیفیت و تأخیر زمانی تا بروز تأثیرات در کیفیت، دو جنبه عمده مسئله هستند. در این مقاله روشی مبتنی بر الگوریتم ژنتیک همراه با تابع برازندگی شامل معیارهای دقت تخمین، سرعت همگرایی و تعداد شاخص‌ها برای شناسایی ترکیب بهینه شاخص‌ها توسعه یافته است و از شبکه‌های عصبی مصنوعی برای ارزیابی میزان برازندگی پاسخ‌ها استفاده می‌شود.
یافته‎ها: مدل نهایی، در رابطه با واحد دو نیروگاه گازی پرند ارزیابی و استفاده شد. استفاده از این مدل موجب شد، مجموعه بهینه معیارهای مؤثر بر مشخصه کیفیت در نیروگاه مشخص شود. در این مورد مطالعاتی و بر اساس داده‌های در اختیار، نتایج نشان می‌دهد تجهیزات انتهایی فرایند تولید، تأثیر معنادارتری بر مشخصه کیفیتی دارند.
نتیجه‎گیری: مدل توسعه‌یافته می‌تواند در قدم‌های معین و با در دست بودن داده‌های حاصل از فرایند پایش وضعیت تجهیزاتِ فرایند تولید شود. همچنین اطلاعات وضعیت مشخصه کیفیتی، برای یک محصول پیوسته تعیین کند کدام یک از شاخص‌های سلامت تجهیزات فرایند تولید، تأثیر بیشتری بر کیفیت خروجی دارند و لازم است در تصمیم‌گیری‌های نگهداری و تعمیرات، به آن بیشتر توجه شود.
 
 

کلیدواژه‌ها


عنوان مقاله [English]

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

نویسندگان [English]

  • Amir Heydari 1
  • Seyed Hamidreza Shahabi Haghighi 2
  • Abbas Ahmadi 2
1 Msc., Department of Industrial Engineering and Management Systems, Amir Kabir University of Technology, Tehran, Iran
2 Assistant Prof., Department of Industrial Engineering and Management Systems, Amir Kabir University of Technology, Tehran, Iran
چکیده [English]

Objective: Majorproducers 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.
 
 

کلیدواژه‌ها [English]

  • genetic algorithm
  • Condition monitoring
  • Health measurement
  • Identification
  • Quality characteristic
آقایی، رضا؛ آقایی، اصغر؛ حسینی ناجی‌زاده، رامین محمد (1394). شناسایی و رتبه‌بندی شاخص‌های کلیدی مؤثر بر نگهداری و تعمیرات چابک با استفاده از رویکرد دلفی فازی و دیمتل فازی (مطالعه موردی: صنعتی خودروسازی ایران). مجله مدیریت صنعتی، 7(4)، 641-672.
اسماعیلیان، غلامرضا؛ لورک‌زاده، فروزان؛ زارعیان، رحمان (1394). اریابی و مقایسه اثربخشی پیاده‌سازی نت اصلاحی و نت پیشگیرانه با رویکرد پویایی‌شناسی سیستم‌ها (مطالعه موردی: شرکت سیمکان). مجله مدیریت صنعتی، 7(2)، 189-214.
حسن ‌قاسمی، جلیل؛ کاظمی، عالیه؛ حسین‌زاده، مهناز (1395). گسترش عملکرد کیفیت (QFD) با استفاده از مدل برنامه‌ریزی خطی فازی. مجله مدیریت صنعتی، 8(2)، 241-262.
صفری، حسین؛ صادقی‌مقدم، محمدرضا؛ عبادی ضیایی، علی (1395). مدل‌سازی علی روابط میان معیارهای مدل تعالی سازمانی EFQM در بانک توسعه تعاون. مجله مدیریت صنعتی، 8(3)، 423-446.
نشاط، نجمه؛ محلوجی، هاشم (1388). کنترل پیش‌بینانه کیفیت با استفاده از شبکه‌های عصبی مصنوعی (ANNs) و روش ترکیبی تحلیل رگرسیون و ANNs. مجله مدیریت صنعتی، 1(3)، 153-170.
 
References
Aghaee, R., Aghaee, A., & Najizadeh, R. M. H. (2016). Key effective factors on Agile Maintenance in vehicle industry using fuzzy Delphi method and Fuzzy DEMATEL. Journal of Industrial Management, 7(4), 641–672. (in Persian)
Ahmad, R., & Kamaruddin, S. (2012). An overview of time-based and condition-based maintenance in industrial application. Computers & Industrial Engineering, 63 (1), 135–149.
Alander, J.T. (1992). On optimal population size of genetic algorithms. In CompEuro’92.’Computer Systems and Software Engineering’, Proceedings. (pp. 65–70). IEEE.
Arunraj, N.S. & Maiti, J. (2007). Risk-based maintenance-Techniques and applications. Journal of Hazardous Materials, 142(3), 653–661.
Aurich, J. C., Siener, M., & Wagenknecht, C. (2006). Quality Oriented Productive Maintenance within the life cycle of a manufacturing system. In 13th CIRP international conference on life cycle engineering (pp. 669–673). Citeseer.
Baidya, R., Dey, P. K., Ghosh, S. K., & Petridis, K. (2018). Strategic maintenance technique selection using combined quality function deployment, the analytic hierarchy process and the benefit of doubt approach. The International Journal of Advanced Manufacturing Technology, 94(1–4), 31–44.
Ben-Daya, M. (1999). Integrated production maintenance and quality model for imperfect processes. IIE Transactions, 31(6), 491–501.
Ben-Daya, M., & Duffuaa, S. O. (1995). Maintenance and quality: the missing link. Journal of Quality in Maintenance Engineering, 1(1), 20–26.
Ben-Daya, M., & Rahim, M. A. (2000). Effect of maintenance on the economic design of x-control chart. European Journal of Operational Research, 120(1), 131–143.
Bouslah, B., Gharbi, A., & Pellerin, R. (2016). Integrated production, sampling quality control and maintenance of deteriorating production systems with AOQL constraint. Omega, 61, 110–126.
Budai, G., Dekker, R., & Nicolai, R. P. (2008). Maintenance and production: a review of planning models. In Complex system maintenance handbook (pp. 321–344). Springer.
Cassady, C. R., Bowden, R. O., Liew, L., & Pohl, E. A. (2000). Combining preventive maintenance and statistical process control: a preliminary investigation. Iie Transactions, 32(6), 471–478.
Coley, D. A. (1999). An introduction to genetic algorithms for scientists and engineers. World Scientific Publishing Company.
Esmaeilian, G., Zadeh, F. L., & Zareayan, R. (2015). Evaluating and comparing the implementation effectiveness of corrective maintenance and preventive maintenance with a systems dynamic approach (case study: Symcan company). Journal of Industrial Management, 7(2), 189–214.(in Persian)
Hasan Ghasemy, J., Kazemi, A., & Hoseinzadeh, M. (2016). Quality Function Deployment by Using Fuzzy Linear Programming Model. Journal of Industrial Management, 8(2), 241–262. (in Persian)
Hadidi, L. A., Al-Turki, U. M., & Rahim, A. (2011). Integrated models in production planning and scheduling, maintenance and quality: a review. International Journal of Industrial and Systems Engineering, 10(1), 21–50.
Hines, W. W., & Montgomery, D. C. (n.d.). Probability and Statistics in Engineering and Management Science, 1980. John Wiley & Sons.
Karray, F. O., & De Silva, C. W. (2004). Soft computing and intelligent systems design: theory, tools, and applications. Pearson Education.
Liu, B. (2006). Vibration data monitoring and design of multivariate ewma chart for cbm. Ph. D. Dissertation, University of Totonto.
Liu, L., Yu, M., Ma, Y., & Tu, Y. (2013). Economic and economic-statistical designs of an X control chart for two-unit series systems with condition-based maintenance. European Journal of Operational Research, 226(3), 491–499.
Mann, L., Saxena, A., & Knapp, G. M. (1995). Statistical-based or condition-based preventive maintenance? Journal of Quality in Maintenance Engineering, 1(1), 46–59.
Mehdi, R., Nidhal, R., & Anis, C. (2010). Integrated maintenance and control policy based on quality control. Computers & Industrial Engineering, 58(3), 443–451.
Montegomery, D. C. (2009). Introduction to statistical quality control. John Wiley & Sons (New York).
Neshat, N., & Mahlooji, H. (2009). Predictive Process Control Using Artificial Neural Networks (ANNs) and A Combined Method of Regression Analysis and ANNs. Journal of Industrial Management, 1(3), 153–170.(in Persian)
Panagiotidou, S., & Nenes, G. (2009). An economically designed, integrated quality and maintenance model using an adaptive Shewhart chart. Reliability Engineering & System Safety, 94(3), 732–741.
Panagiotidou, S., & Tagaras, G. (2007). Optimal preventive maintenance for equipment with two quality states and general failure time distributions. European Journal of Operational Research, 180(1), 329–353.
Panagiotidou, S., & Tagaras, G. (2008). Evaluation of maintenance policies for equipment subject to quality shifts and failures. International Journal of Production Research, 46(20), 5761–5779.
Pandey, D., Kulkarni, M. S., & Vrat, P. (2010). Joint consideration of production scheduling, maintenance and quality policies: a review and conceptual framework. International Journal of Advanced Operations Management, 2(1–2), 1–24.
Peck, C. C., Dhawan, A. P., & Meyer, C. M. (1993). Genetic algorithm based input selection for a neural network function approximator with applications to SSME health monitoring. In Neural Networks, 1993., IEEE International Conference on (pp. 1115–1122). IEEE.
Radhoui, M., Rezg, N., & Chelbi, A. (2009). Integrated model of preventive maintenance, quality control and buffer sizing for unreliable and imperfect production systems. International Journal of Production Research, 47(2), 389–402.
Rahim, M. A. (1993). Economic design of x control charts assuming Weibull in-control times. Journal of Quality Technology, 25(4), 296–305.
Rahim, M. A. (1994). Joint determination of production quantity, inspection schedule, and control chart design. IIE Transactions, 26(6), 2–11.
Safari, H., Moghaddam, M.R.S., & Ziaei, A.E. (2016). Causal modeling of relationships between criteria for EFQM excellence model in TOSE’E TA’AVON bank. Journal of Industrial Management, 8(3), 423–446.(in Persian)
Venkatasubramanian, V., Rengaswamy, R., Kavuri, S. N., & Yin, K. (2003). A review of process fault detection and diagnosis: Part III: Process history based methods. Computers & Chemical Engineering, 27(3), 327–346.
Wang, W. (2012). A simulation-based multivariate Bayesian control chart for real time condition-based maintenance of complex systems. European Journal of Operational Research, 218(3), 726–734.
Wu, J. (2006). CBM optimization models with multivariate observations (Vol. 68).
Wu, J., & Makis, V. (2008). Economic and economic-statistical design of a chi-square chart for CBM. European Journal of Operational Research, 188(2), 516–529.
Yeung, T. G., Cassady, C. R., & Schneider, K. (2007). Simultaneous optimization of [Xbar] control chart and age-based preventive maintenance policies under an economic objective. IIE Transactions, 40(2), 147–159.
Yin, Z., & Makis, V. (2010). Economic and economic-statistical design of a multivariate Bayesian control chart for condition-based maintenance. IMA Journal of Management Mathematics, 22(1), 47–63.
Zhang, G., Deng, Y., Zhu, H., & Yin, H. (2015). Delayed maintenance policy optimisation based on control chart. International Journal of Production Research, 53(2), 341–353.