| تحلیل دادهها و تصمیمگیری هوشمندانه مبتنی بر هوش مصنوعی در نگهداری و بازرسی تجهیزات نفت و گاز |
| کد مقاله : 1035-ISME2026 |
| نویسندگان |
|
محمد علی مددی *1، طاها علی مددی2 1دانشگاه تهران 2تهران،خیابان فرشادی،خیبان جعفریان شرقی،کوچه رضاییان ،بن بست خورشید پلاک 4 طبقه2 |
| چکیده مقاله |
| در بسیاری از صنایع حیاتی نظیر نفت و گاز ،نیروگاه ها و سیستم های حمل و نقل،عملکرد ایمن و اقتصادی تجهیزات به شدت به اثر بخشی نظام نگهداری و بازرسی تجهیزات وابسته است .خرابی های ناگهانی تجهیزات نه تنها موجب توقف تولید و تحمیل هزینه های سنگین می شوند،بلکه می توانند تبعات ایمنی و زیست محیطی قابل توجهی نیز به همراه داشته باشند.یکی از رویکردهای کلیدی برای کاهش این ریسک ها،اجرای بازرسی فنی پیشگیرانه است که هدف ان شناسایی زود هنگام نقص ها قبل از بروز خرابی های بحرانی می باشد(Znang et al.,2022). با وجود اهمیت این رویکرد،برنامه های بازرسی در بسیاری از سازمانها همچنان بر پایه ی بازه های زمانی ثابت یا تجربیات گذشته طراحی می شوند .این نوع سیاست ها غالبا منجر به دومشکل عمده می شوند. 1- بازرسی های بیش از حد که موجب افزایش هزینه های مستقیم و کاهش بهره وری می گردد. 2-بازرسی های نا کافی که احتمال وقوع خرابی های ناگهانی و خسارت مالی را افزایش می دهد(Gurleretal.,2023). در این پژوهش، یک مدل نوآورانه PC- RBI ارائه شد که شاخصهای قابلیت فرآیند (Cpk/Ppk) را با احتمال خرابی تجهیزات (PoF) ترکیب میکند و با استفاده از الگوریتمهای هوش مصنوعی و یادگیری ماشین، بازههای بازرسی بهینه و تصمیمگیری هوشمند در نگهداری را تعیین میکند. نتایج نشان داد که مدل پیشنهادی میتواند دقت پیشبینی خرابی را تا ۳۰٪ افزایش و هزینههای نگهداری را تا ۴۰٪ کاهش دهد. |
| کلیدواژه ها |
| RBI ، هوش مصنوعی، تحلیل داده، قابلیت فرآیند، تصمیمگیری هوشمند، نگهداری پیشبینی |
| وضعیت: پذیرفته شده برای ارائه شفاهی |