كشف الگوهاي پنهان و مفيد از داده هاي سامانه هاي نگهداري و تعميرات تجهيزات، با پيش‌بيني هزينه‌ها و نقاط پرت

Discovery of Useful and Hidden Patterns from the Equipment Computerize Maintenance Management System Data Along with Estimation of Equipment Costs and Discovering outliers

پس از گذشت چند سال از پياده‌سازي نرم‌افزار‌هاي مديريت نت (CMMS)3، ارايه تحليل‌هاي مستدل از داده‌هاي جمع‌آوري شده در اين سامانه‌ها، نه تنها ضروري است، بلكه در اين حوزه رمز ادامه حيات سيستم‌هاي نرم‌افزاري نيز خواهد بود. استفاده از داده‌هاي خرابي و هزينه‌اي تجهيزات، مي‌تواند علاوه بر شناخت نارسايي‌ها در پياده‌سازي سيستم‌هاي نت، در تعيين الگوهاي مطلوب و نامطلوب نت تجهيزات، نقش كليدي ايفا كند. تشخيص روند خرابي‌ها و عوامل موثر در آن مانند نوع ماموريت و شرايط جغرافيايي كيفيت قطعات و ... به دسته‌بندي بهتر خرابي تجهيزات و تعيين نرم‌هاي هزينه‌اي مبتني بر نوع ماموريت يگان‌ها كمك خواهد نمود و در نهايت مديران را براي اتخاذ تصميم‌هاي مناسب، با دقت بيشتري ياري خواهد كرد و باعث ارايه پيشنهادهاي بهبود براي سامانه‌هاي مورد استفاده و مديران تصميم‌گير خواهد شد. داده‌كاوي‌ مي تواند با ارايه تصويري از شاخص‌هاي موثر بر آمادگي تجهيزات، وضعيت تجهيزات را از نظر نگهداري و تعميرات نمايش دهد. از اين تصوير در برآورد هزينه‌هاي نگهداري و تعميرات و بودجه هاي تعميراتي مي توان استفاده نمود. همچنين با دانستن اينكه خرابي‌هاي خاص، معمولاً در چه عمرهايي و تحت چه شرايطي اتفاق مي‌افتد، مي‌توان براي برنامه‌ريزي نگهداري و تعميرات و ارزيابي نقاط قوت و ضعف در يگان/رده‌ها استفاده نمود. اين موضوع در اجراي اقدامات پيرامون آموزش و فرهنگ‌سازي در نگهداري و تعميرات نيز موثر خواهد بود، زيرا فرماندهان و كارشناسان با در اختيار داشتن اين تحليل‌ها در نگهداري و استفاده از تجهيزات، دقت بيشتري خواهند كرد. در اين مقاله ضمن معرفي برخي از كاربردهاي داده‌‎كاوي در نگهداري و تعميرات سعي شده است در قالب مطالعه موردي روي داده هاي برخي از تجهيزات دفاعي با استفاده از داده‌كاوي‌، قواعد پنهان موجود در داده‌هاي سيستم‌هاي نرم‌افزاري نگهداري و تعميرات را كشف نمود. با توجه به مدل هاي خوشه‌بندي داده هاي مورد مطالعه، شبكه عصبي، درخت هاي تصميم‌گيري، مصورسازي و آمار توصيفي تحليل شده و برخي از نتايج آن بيان شده است. يافته هاي اين مطالعه نشان مي‌دهد الگوهاي خاصي متناسب با نوع ماموريت و نحوه استفاده از تجهيزات در تعداد و هزينه خرابي‌ها وجود دارد.

A few years after the implementation of computerize maintenance management systems (CMMS), showing the analysis results of the collected data in these systems is necessary and important for continuing the usage of these systems. Equipment downtime and cost data can identify patterns of equipment faults and equipment costs. It can also show deficiencies in the implementation of maintenance systems. Detection of failures and important factors of failures such as the type of mission, geographical conditions, quality of parts and soon helped to classify and determine the cost norms based on the type of mission. These analyses can help managers to make appropriate decisions more accurately and make proposals for improving the systems. Data mining can provide a view of equipment readiness and the factors that affecting them. This view can be used to estimate the costs of maintenance and repair of equipment. Knowing the time of certain failures can be used to plan maintenance program. The issues are useful for improving knowledge and culture in the implementation of equipment. These analyses caused better and more accurate maintenance and usage of equipment. In this paper, we introduce some data mining applications in maintenance and repairs activities. It shows some hidden rules discovered from data of equipment maintenance systems in a case. Clustering models, neural networks, decision trees, visualization and descriptive statistics are used in this case study and some of results introduce in this paper. The findings show that there are certain pattern depending on the type of mission and how to use the equipment.