رويكردي هوشمند در تشخيص و پيش بيني عيوب و مديريت سلامت (PHM), مطالعه موردي تشخيص عيوب مخزن با استفاده از شبكه عصبي موجك

نگهداری و تعمیرات مبتنی بر شرایط 3(CBM) و مدیریت پیش بینی و سلامت 4(PHM) در خلال سالهای اخیر به عنوان فناوری های چشمگیری كه تاثیر عمیقی بر فعالیتهای مربوط به نگهداری و تعمیرات در حوزه های نظامی و تجاری دارند، ظهور یافته اند. در واقع اكنون ما شاهد یك نوع تغییر موضع حقیقی در روش طراحی، پایش و نگهداری و تعمیرات سیستمهای پویای پیچیده (اعم از وسایل هوانوردی و فضانوردی، سیستمهای حمل ونقل دریایی، فرایندهای صنعتی و ساخت و تولید ) هستیم. تشخیص و پیش بینی عیوب، تعیین باقیمانده عمر مفید اجزای سیستم، همچون تجهیزات لجستیكی كه نیازمند نگهداری، تعمیرات دوره ای یا تعمیرات اساسی هستند، به مشاركت فعال تخصص های چندگانه احتیاج دارند. فناوری های CBM و PHM به دنبال ادغام و تشكیل یك پیوند قوی از گرایش های میان رشته ای علوم مهندسی، كامپیوتر، قابلیت اطمینان، ارتباطات، مدیریت و غیره بوجود آمدند. در دنیای امروز با پیشرفت علوم رایانه ای، پایگاههای داده سیستم های مدیریت نگهداری و تعمیرات (CMMS)، داده های زیادی را ذخیره می كنند و با گسترش دانش، پردازش این داده ها مورد توجه قرار گرفته است. كشف دانش مفید در خصوص تشخیص عیوب و پیش بینی عمر تجهیزات از بین حجم عظیم داده بسیار ضروری می باشد و باید روشهایی یافت كه بتوان با آن از این همه داده كه به سادگی از آن نمی توان به نتیجه یا تصمیمی رسید، اطلاعاتی سودمند و مختصر بدست آورد. این اطلاعات می توانند در تصمیم گیری مدیران تاثیر شگرفی داشته باشند. در این مقاله استفاده از نگهداری و تعمیرات مبتنی بر شرایط (CBM) و مدیریت سلامت و پیش بینی (PHM) را معرفی می كنیم. همچنین مدلی هوشمند جهت تشخیص و پیش بینی عیوب در یك مطالعه موردی بكار گرفته شده است.