فصلنامه ه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان 1391 صاحب امتیاز: انجمن نگهداري و تعمیرات ایران مدیر مسي ول: دکتر مهدي بهزاد سردبیر ع

Transcription

1

2

3 فصلنامه ه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان 39 صاحب امتیاز: انجمن نگهداري و تعمیرات ایران مدیر مسي ول: دکتر مهدي بهزاد سردبیر علمی: دکتر محمدعلی صنیعی منفرد ویراستار ساختاري و ادبی: مهندس هوشنگ رستمیان ویراستار انگلیسی: دکتر علیرضا مدیر داخلی: مسعودي زهرا محمدي بزرگ هیي ت تحریریه دکتر حجت احمدي دانشیار دانشگاه تهران دکتر عبدالرضا اوحدي دانشیار دانشگاه صنعتی امیر کبیر دکتر مهدي بهزاد استاد دانشگاه صنعتی شریف مهندس هوشنگ رستمیان پژوهشگر صنعتی دکتر محمد ریاحی دانشیار دانشگاه علم وصنعت ایران دکتر علی زواشکیانی مدرس دانشگاه تورنتو کانادا دکتر علی ذبیحی استادیار دانشگاه صنعت آب و برق(شهید عباسپور) دکتر سید محمد سید حسینی استاد دانشگاه علم و صنعت ایران دکتر مرتضی صادقی دانشیار دانشگاه تبریز دکتر محمد علی صنیعی منفرد دانشیار دانشگاه الزهرا دکتر محمد محجوب جهرمی دانشیار دانشگاه تهران دکتر علیرضا معینی استادیار دانشگاه علم و صنعت ایران دکتر علیرضا مسعودي استادیار پژوهشکده مهندسی وزارت جهادسازندگی داوران این شماره: دکتر عبدالرضا اوحدي دکتر مهدي بهزاد مهندس کاظم حکمت مهندس صفر شاسفند دکتر محمد ریاحی مهندس سعید رمضانی دکتر علی زواشکیانی دکتر علی ذبیحی دکتر آرش شاهین دکتر محمد علی صنیعی منفرد دکتر امیر عباس نجفی نشانی: تهران شهرك قدس میدان صنعت خیابان هرمزان خیابان پیروزان جنوبی نبش کوچه پنجم مرکز مطالعات و پژوهشهاي لجستیکی طبقه همکف انجمن نگهداري و تعمیرات ایران - کدپستی: تلفن: وب سایت: رایانامه: info@amej.ir شاپا: X مشاورین علمی: دکتر مهدي احمدي نجف آبادي دکتر حمید احمدیان دکتر غلامرضا ارشد دکتر سیامک اسماعیل زاده خادم دکتر جلیل جمالی دکتر حسین حسینی تودشکی دکتر محمدعلی رضوانی دکتر عباس روحانی دکتر محسن شاکري دکتر سپهر صنایع دکتر مرتضی منتظري دکتر حمید مهدیقلی دکتر سیدمحمد هاشمی نژاد دکتر فرهنگ هنرور دکتر عقیل یوسفی کما دورنگار:

4 شیوهنامە نگارش و چگونگی پذیرش مقاله اهداف و محتوا : نشریهي ره آورد پژوهش نگهداري و تعمیرات با هدف ایجاد بستري مناسب به منظور تبادل اطلاعات در حوزهي دانش و مهندسی نگهداري و تعمیرات در بین دانشمندان محققین و پژوهشگران جهانی و داخلی فعال میباشد. در این نشریه مقالههاي نویسندگان بر روي موضوعات نظري تجربی و کاربردي مطالعات میدانی تحقیقات آزمایشگاهی... در حوزه ي مهندسی نگهداري و تعمیرات انتشار مییابد. راهنما براي نویسندگان : از نویسندگان محترم تقاضا میشود مقالههاي خود را با توجه به نکات زیر تهیه و به دفتر نشریه ارسال نمایند : - مقالهي ارسال شده نباید قبلا در هیچ نشریهي داخلی و خارجی دیگري چاپ شده باشد. هیات تحریریه انتظار دارد که نویسندگان محترم تا هنگامی که جواب پذیرش یا رد مقالهي ارسالی از نشریه نرسیده است مقالهي خود را براي نشریهي دیگري جهت چاپ ارسال نفرمایند. 2- عنوان مقاله بایستی معرف محتوي مقاله بوده و با در نظر گرفتن فواصل بین کلمات نباید از 60 حرف تجاوز نماید و با قلم میترا سیاه 8 تایپ گردد. 3- نام نویسندگان مقاله با قلم سیاه میترا 4 به همراه عنوان علمی یا شغلی او با قلم میترا نازك 2 در زیر آن ذکر گردد. 4- چکیدهي مقاله با قلم نازنین نازك و به صورت تک ستونی تایپ گردد و محتوي آن نباید از حدود 50 کلمه تجاوز نماید. چکیدهي مقاله بایستی حاوي نکات اصلی نتایج و در کل بازتاب کاملی از مقاله باشد. 5- کلمات کلیدي مقاله شامل 3 تا 6 لغت بعد از چکیده و قبل از مقدمه آورده شود. 6- در صورت ارایهي مقاله به زبان فارسی عنوان اسامی و مشخصات نویسندگان چکیده و کلمات کلیدي آن با قلم TIMES NEW ROMANS و با اندازههاي 3 6 و به زبان انگلیسی در ادامه آورده شود. حروف ابتداي لغات در عنوان اسامی نویسندگان و کلمات کلیدي به صورت Capital باشد. 7- متن اصلی با مقدمه آغاز و با نتیجه گیري پایان یابد و بسته به نوع مقاله نویسندگان مختارند تا ساختار کلی آن بنابر سلیقهي خود سازماندهی نمایند. 8- مقالات بر روي کاغذ A4 با در نظر گرفتن حواشی بالا پایین چپ و راست 3 Cm و با قلم نازنین 2 نرم افزار Word به صورت تک ستونی تایپ گردد. همچنین فواصل بین خطوط به صورت Single در نظر گرفته شده و بین هر دو پاراگراف متوالی یک خط خالی لحاظ گردد. 9- شمارهي ترتیب منابع در متن مقاله به ترتیب شمارهي ارجاع در داخل کروشه و بر اساس زبان و قلم مقاله نوشته شود. 0- فهرست منابع به صورت تک ستونی با قلم TIMES NEW ROMANS با فرمت زیر آماده گردد : [] A. Tesei, W.L.J. Fox, A. Maguer, A. Lovik, "Target parameter estimation using resonance scattering analysis applied to air-filled, cylindrical shells in water", J. Acoust. Soc. Am., 08 (2000) [2] N. D. Veksler, "Resonance Acoustic Spectroscopy", Springer Series on Wave Phenomena, Springer-Verlag, 993. [3] F. Honarvar, Y. Fan, A.N. Sinclair, "Scattering of obliquely incident acoustic waves from immersed transversely isotropic cylinders", Proc. Tenth. Int. Con. Sound. Vib., (2003) اشاره به پاورقی به صورت شمارههاي ی در بالاي کلمات و بر اساس زبان مقاله فارسی یا انگلیسی نوشته شود. 2- شمارهي روابط ریاضی در داخل پرانتز و در منتهیالیه ستون مربوطه و بر اساس زبان و قلم مقاله نوشته شود. 3- در انتهاي هر مقاله لازم است تا طی پاراگرافهاي جداگانه نتایج فهرست منابع و واژه نامه در صورت استفاده از کلمات خارجی نامرسوم اراي ه شود. 4- در مورد واژگان علمی که مرسوم نمیباشد معادل خارجی آن در انتهاي مقاله آورده شود. 5- سیستم آحاد قابل قبول سیستم بین المللی SI میباشد. 6- اشکال و نمودارهاي مقاله داراي اصالت بوده و در صورت استفاده از منابع دیگر ارجاع داده شود. همچنین در صورت امکان علاوه بر گنجاندن اشکال و نمودارها در جاي مناسب درون مقاله فایل جداگانهي آنها در فرمتهاي عکس متداول همانند Tiff JPEG... متناسب با کیفیت و نوع تصویر ارسال گردد. 7- توضیحات اشکال و نمودارها در پایین آنها و توضیحات جداول در بالاي آنها با قلم میترا سیاه 0 آورده شود. 8- با توجه به ایندکس شدن این نشریه در بانکهاي اطلاعاتی بین المللی محتوي شکلها و نمودارها ترجیحا به زبان انگلیسی باشد. 9- حجم مقاله نباید از 7500 کلمه و یا حداکثر 2 صفحه ي چاپی به قطع نشریه تجاوز نماید. 20- فرم ثبت نام (قابل دریافت از سایت یا ( و فایلهاي الکترونیک مقاله در فرمت هاي Word و PDF باید به دفتر نشریه به نشانی زیر ارسال یا پست الکترونیکی گردد : آدرس : تهران شهرك غرب خیابان هرمزان خیابان پیروزان جنوبی نبش خیابان پنجم مرکز مطالعات و پژوهشهاي لجستیکی طبقه ي همکف ایمیل : Info@amej.ir تلفن : دورنگار : کد پستی : صندوق پستی : 2- مسي ولیت ارایهي صحیح مقاله بر عهدهي نویسندهي مسي ول آن میباشد. در هنگام ارسال مقاله در صورتی که تعداد نویسندگان آن بیش از یکی باشد بایستی نویسندهي مسي ول آن با ذکر پست الکترونیک و شماره ي تماس مستقیم جهت انجام مکاتبات ضروري معین گردد. 22- خوانندگان میتوانند نظرات خود را پیرامون مقالات چاپ شده حداکثر تا 3 ماه پس از انتشار مقاله به دفتر نشریه ارسال نمایند تا در صورت تصویب هیات تحریریه جهت دعوت از نویسندگان مقالات براي تهیهي پاسخ نسبت به چاپ آن در شمارههاي بعدي اقدام نمایند. این گونه اظهار نظرها حداکثر تا دو شماره بعد از شمارهي انتشار مقاله چاپ خواهد شد. 23- مقالهي ارسالی به دفتر نشریه پس از طی مراحل داوري استرداد نمیشود.

5 فهرست مطالب انتخاب استراتژي نگهداري و تعمیرات با استفاده از...FAD صفحه 7 حمید رضا صیتی سید محمد محسن جوادزاده امین بهنام پور محمود هوشمند دین محمد ایمانی 20 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( ( TPM بر سطح سیگماي محصولات تولیدي... رشید افرازدوگاهه امیرعباس شجاعی صدیق ري یسی 38 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک و شبکه عصبی مصنوعی... صیاد نصیري مهرداد نوري خاجوي تهرانی ابوالقاسم اسلامی بابک تقربی محاسبه و تحلیل شاخصOCE در مجتمع فولاد مبارکه اعظم مهربد سید اکبر نیلی پور طباطبایی Discrete Wavelet Transform, Support Vector Machine and Adaptive Neuro- Fuzzy Inference in Bearing Fault Diagnosis. Page 6/E Ashkan Moosavian, Hojat Ahmadi, Babak Sakhaei, Reza Labbafi, Shahed Masoudian Monitoring Dependent Key Performance Indicators in Maintenance: An Application of Cause Selecting Control Charts... 26/E AmirAbbas Najafi, Siamak Nouri

6

7 چکیده عنصر انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD * حمید رضا صیتی دانشکده مهندسی صنایع دانشگاه صنعتی شریف تهران ایران. سید محمد محسن جوادزاده دانشکده مدیریت و حسابداري دانشگاه شهید بهشتی تهران ایران. امین بهنام پور دانشکده مهندسی صنایع دانشگاه صنعتی شریف تهران ایران. محمود هوشمند دانشکده مهندسی صنایع دانشگاه صنعتی شریف تهران ایران. دین محمد ایمانی دانشگاه علم و صنعت بهشهر ایران. (تاریخ دریافت: 39/05/07 تاریخ پذیرش: 39/08/05) مدیریت تجهیزات فرآیندي سیستماتیک از بهرهبرداري نگهداري و تعمیرات و بهبود تجهیزات فیزیکی را شامل میشود که یک کلیدي براي تصمیمگیري در مدیریت و بهرهبرداري از تجهیزات است. انتخاب راهبرد نگهداري و تعمیرات نقشی کلیدي در پروسه استخراج معدن دارد. ماهیت مساله انتخاب نگهداري و تعمیرات یک مساله پیچیدهي تصمیمگیري چندمعیاره شامل پارامترهاي ملموس و غیر ملموس میشود که گاهی در تضاد با یکدیگر نیز هستند. در این مقاله کاربرد روش طراحی بدیههگراي فازي براي انتخاب راهبرد بهینه نگهداري و تعمیرات مورد بررسی قرار گرفته است. در انتها یک موردکاوي از دنیاي واقعی نیز براي نشان دادن کارایی این روش در انتخاب راهبرد نگهداري و تعمیرات اراي ه شده است. کلیدواژهها: بدیههگرا بدیهه اطلاعات فازي انتخاب راهبرد نگهداري و تعمیرات. Maintenance Strategy Selection using FAD Hamidreza seiti Department of Industrial Engineering, Sharif University of technology, Tehran, Iran. Seyed Mohammad Mohsen Javadzadeh Department of Management, Shahid Beheshti University, Tehran, Iran. Amin Behnampour Department of Industrial Engineering, Sharif University of technology, Tehran, Iran. Mahmoud Houshmand Department of Industrial Engineering, Sharif University of technology, Tehran, Iran. Mohammad Imani University of Science & Technology, Behshahr, Iran. Abstract Asset management includes a systematic process of operating, maintaining, and physical asset upgrading that is a key element for decision making in heavy asset management and operation. Selecting maintenance strategy has an important role in the mine extraction industry. Maintenance selection is a multi-criteria decision making problem with conflicting tangible and intangible parameters. In this paper, application of fuzzy axiomatic design method for choosing the optimum maintenance strategy is studied. At the end, a real case study is represented to demonstrate the method functionality in selecting any maintenance strategy. Key Words: Axiomatic design, Fuzzy information axiom, Selection, Maintenance strategy.. h_seiti@yahoo.com

8 ) فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان مقدمه در صنایع سرمایهاي مانند معدن کاوي و عملیات خاكبرداري بهرهوري و پایایی داراییهاي سرمایهاي از فاکتورهاي مهم براي موفقیت مالی پروژه به حساب میآید. امروزه میلیاردها دلار در سال براي تولید انواع مختلف ماشینآلات سنگین براي کاربرد در صنایع معدنی و ساخت و ساز هزینه میشود. با توجه به فضاي رقابتی اقتصاد جهانی مدیران تجهیزات به دنبال راههایی بهینه براي افزایش رقابتپذیري هستند تا بتوانند از طریق بهبود کیفیت بالا بردن انعطافپذیري وکاهش زمان و هزینه تحویل با رقباي خود مقابله کنند. از طرف دیگر موضوعات مرتبط با ایمنی توجه زیادي را به خود جلب میکند و موجب میشود هزینه پشتیبانی واحدها غیرموثر شود. از این رو مدیران این تجهیزات باید به بهینهسازي همه پارامترهاي موثر به منظور دستیابی به اهداف تولید بپردازند. مساي ل زیادي مانند انتخاب ناوگان تجهیزات زمانبندي و انتخاب راهبرد نگهداري و تعمیرات میتواند بر عملکرد تجهیزات تاثیر بگذارد []. به عنوان مثال: هزینه نگهداري و تعمیرات تجهیزات که بر اساس نوع ماشین شرایط کاري و محیطی سطح نگهداري و تعمیرات راهبرد و مانند آن تغییر میکند یکی از اقلام هزینهاي در عملیات خاكبرداري است و میتواند تا 60 درصد هزینههاي عملیاتی را به خود اختصاص دهد. بنابراین انتخاب راهبرد بهینه نقشی غیرقابل انکار در دستیابی به اهداف سازمانی افزایش بهرهوري کاهش زمان از کار افتادگی تجهیزات کمینهسازي هزینه ک یل دارد [2]. و تهیه ماشینآلات قابل اطمینان تعداد زیادي معیار کم ی و غیر کیفی وجود دارند که اغلب در تضاد با همدیگر بوده و باید در انتخاب بهترین راهبرد نگهداري و تعمیرات در نظر گرفته شود. این دلایل موجب میشود که انتخاب بهترین راهبرد نگهداري و تعمیرات براي تک تک قیمتهاي تجهیزات از میان مجموعهاي از بدیلهاي شدنی به ویژه در حین مطالعات امکانسنجی و مراحل طراحی کارخانه براي مدیران تجهیزات بسیار دشوار باشد. بنابراین به کارگیري روشه يا مساي ل میتواند مفید باشد. تصمیمگیري چند معیاره براي دسته این از آنجا که انتخاب مناسبترین راهبرد نگهداري و تعمیرات براي تجهیزات مختلف تصمیمی حیاتی براي مدیران است مطالعات زیادي به این زمینه پژوهشی اختصاص داده شده است [ تا 3]. با وجود انجام تحقیقات متعدد در زمینه انتخاب راهبرد نگهداري و تعمیرات همچنان نیاز به استفاده از یک رویکرد ریاضیاتی قاعدهمند براي کمک به تصمیمگیري در رابطه با انتخاب راهبرد نگهداري و تعمیرات وجود دارد. طراحی بدیههگراي فازي (FAD) که توسط کولاك و قهرمان [2] اراي ه شد یکی از روشهاي جدیدي است که براي مساي ل تصمیمگیري در محیط فازي به کار میرود. در این تحقیق ابتدا روش FAD سلسله مراتبی به منظور ارزیابی راهبردهاي نگهداري و تعمیرات به کار گرفته شده و در پایان بدیلها رتبه بندي شده و بهترین آنها انتخاب شدهاند. - - راهبردهاي جایگزین محتمل نگهداري و تعمیرات پنج بدیل راهبرد نگهداري و تعمیرات که در این مقاله در نظر گرفته شده به طور خلاصه به صورت زیر آمده است: نگهداري و تعمیرات بر مبناي خرابی FBM) است. در پی تعمیر یک سامانه معیوب است. نگهداري و تعمیرات پیشگیرانه ( PM ) بر مبناي خاصیت پایایی مولفه بوده و در پی کاهش احتمال خرابی بالقوه نگهداري و تعمیرات مبتنی بر شرایط( CBM ) بر مبناي عملکرد و پایش واحدهاي سامانه است. پیش نگهداري و تعمیرات زمانبندي شده ( SM ) به این معناست که صرف نظر از رخداد خرابی هرگاه زمانبندي از تعیین شده فرا رسید فعالیته يا نگهداري و تعمیرات صورت پذیرد Fuzzy axiomatic design

9 9 انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD نگهداري و تعمیرات فرصت طلبانه ( OM ) در واقع ترکیب PM و FBM است. این رویکرد به این صورت است که خرابی یک واحد را به عنوان فرصتی براي انجام PM روي سایر واحدها به منظور پیشگیري از خرابیه يا در نظر بگیریم. آینده طراحی بدیههگرا طراحی بدیههگرا در سال توسط آقاي سو [3] پیشنهاد شد تا پایهاي علمی بر مبناي فرآیندهاي منطقی براي بهبود فعالیتهاي طراحی فراهم شود. طراحی بدیههگرا براي بهبود یک طرح از دو بدیهه استفاده میکند. بدیهه اول: بدیهه استقلال این بدیهه بیان میکند که استقلال نیازمنديهاي 3 عملکردي (FR) همیشه باید حفظ شود. بدیهه دوم: بدیهه اطلاعات این بدیهه بیان میکند که از بین طرحهایی که نیازمنديهاي عملکردي مستقل را ارضا میکنند طرحی از همه مناسبتر است که کمترین حجم اطلاعاتی ممکن را داشته باشد. منظور از اطلاعات در اینجا برآوردهکردن نیازمنديهاي عملکردي خواسته شده است. طرحی که بیشترین شانس برآوردهکردن این نیازمنديها را داشته باشد به عنوان طرح برتر انتخاب میشود. اگر اطلاعات مربوط به برآوردهکردن نیازمندي عملکردي معیار i ما نمایش داده شود مقدار آن به صورت رابطه () بیان میشود که در آن عملکردي است [4]. FR با بیانگر احتمال برآوردهکردن نیازمندي I = log ( ) = log (p ) () که اگر مجموع آن براي تمامی نیازمنديهاي عملکردي براي یک طرح مشخص در نظر گرفته شود رابطه (2) به دست میآید: I = log ( ) = log (p ) I نامحدود شود سیستم یا طرح مورد نظر هرگز کار نخواهد کرد. (2) در این حالت اگر مقدار در صورتی که اطلاعات درمورد بازههاي سیستم و طراحی نادقیق باشد بدیهه دوم به مجموعههاي فازي تعمیم داده میشود. در این حالت مقدار اطلاعات با محاسبه لگاریتم بر مبناي دو مساحت عدد مثلثی مربوط به بازه سیستم بخش بر مساحت مشترك عدد مثلثی بازه سیستم و طراحی به دست میآید. رابطه (3) نحوه محاسبه را نشان میدهد [5] [6] [7] و.[8] I = log مساحت عدد فازي بازه سیستم مساحت مشترك (3) -2- روش تصمیمگیري چندمعیاره طراحی بدیههگراي فازي سلسله مراتبی این روش شبیه روش AHP براي تصمیمگیري بوده با این تفاوت که مقایسه زوجی بین گزینهها لازم نیست البته میتوان براي آن مقایسات زوجی را نیز به کار برد و محاسبهي محتواي اطلاعات مربوط به هر گزینه با استفاده از معیار اصلی و یا فرعی موجود در سطح ماقبل گزینهها به دست میآید که گامهاي آن به صورت زیر است: 2 Suh 3 Functional requirement

10 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان گام : نظر تصمیمگیران درباره رتبهبندي گزینهها و اهمیت وزنها براي به دستآوردن ماتریس تصمیم و بردار وزنی به دست میآید اهمیت وزنها میتواند با مقایسهي زوجی توسط کارشناسان صورت بگیرد بیان اهمیت معیارها و گزینهها با توجه به هر معیار میتواند به صورت فازي و یا قطعی باشد. در مورد فازي اطلاعات ناکافی دربارهي بازه سیستمها و طراحی وجود دارد و این بازهها میتواند به صورت بیشتر از یک مقدار حول یک مقدار و یا بین دو مقدار بیان شود و از اعداد فازي و ذوزنقهاي باید استفاده کرد. میشود. گام 2: 5 اگر تصمیمگیري گروهی باشد ماتریس طراحی تجمیع شده براي رضایت هر تصمیمگیر در گروه ایجاد 6 از این رو براي به دست آوردن وزن اهمیت تجمیع شده هر معیار و رتبهبندي میتوان براي هر گزینه معادلات (4) و (5) یا هر معادله دیگري که براي تجمیع به کار میرود را استفاده کرد: = , =,, (4) = ( ), = (,, ) (5) که K نمایانگر تعداد تصمیمگیران (6) رتبهبندي گزینهها و اندی س i و j نمایانگر گزینه i و معیار j است در صورتی که تصمیمگیري گروهی نباشد ماتریس تصمیمگیري فازي از همان گام به دست میآید. یک مساله تصمیمگیري چند معیاره فازي نوعی با m گزینه و n معیار با رابطه ماتریس (6) بیان میشود: و ماتریس وزن فازي به صورت رابطه (7) است: = W = [,,,, ] (7) = [,, ] که m l وu به ترتیب حدود پایین وسط و بالاي عدد فازي شمارهي هستند تجمیع نظر کارشناسان با استفاده از روش Chen میتوان تجمیع نظر کارشناسان را با روش چن نیز اجرا کرد [9]. در این روش اهمیت کارشناسان نیز در نظر گرفته می- شود که گامهاي اجراي آن به صورت زیر خواهد بود [20]. جایی که,, گام : 7 درجهي توافق ن(بی نظرات هر جفت از کارشناسان و [0,] ( ; ; 4 Weight Vector 5 Aggregated decision matrix 6 Aggregation of the importance weight 7 Degree of agreement

11 انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD اگر فرض شود A و B دو عدد فازي مثلثی استاندارد ),, ( = و ),, =( باشند ) به طوري که 0 و 0 آنگاه A و B با تابع شباهت اندازهگیري میشود: (8) 8 درجه مشابهت بین اعداد فازي مثلثی استاندارد S(A, B) = به طوري که [0,] ), ( هر چه این مقدار بزرگتر باشد شباهت بین دو عدد فازي مثلثی استاندارد A و B بیشتر است. رابطه (9) براي درجه مشابهت برقرار است: (, ) = (, ) (9) گام 2: در این گام درجه میانگین موافقت ) ( کارشناس محاسبه میشود: ( ) =, (0) 9 گام 3: در این گام درجه نسبی موافقت کارشناس محاسبه میشود. ( ) = ( ) ( ) () ضریب درجه توافق کارشناس از رابطه (2) محاسبه میشود: ( ) = + ( ) ( ) (2) فاکتور تخفیف روش و درجه اهمیت کارشناس و نشان دهنده اهمیت به در اینجا 0 و ) ( است. ضریب درجه توافق معیار خوبی براي ارزیابی نسبی شایستگی نظر هر کارشناس است: تجمیع نهایی نظرات فازي از رابطه (3) محاسبه میشود: = ( ) ( ) ( ) (3) که عملگرهاي و نشان دهنده جمع و ضرب فازي هستند. گام 4: اهمیت نسبی وزنها میتواند به طور مستقیم توسط تصمیمگیران تعیین شود و یا به وسیله مقایسه زوجی همانطور که در گام بیان شد صورت بگیرد. اگر مقایسهها به صورت زوجی است میتوان از روش AHP فازي بوکلی که اجراي آن ساده است براي تعیین وزنهاي فازي استفاده کرد شرح آن به طور خلاصه به صورت زیر است: [2] = (4) 8 Degree of similarity 9 Relative degree of agreement

12 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان 39 2 اختصار ( ) ( ) ( ) ( ) ( ) جدول. مقیاسهاي زبانی براي مقایسههاي زوجی مقیاس زبانی اهمیت مساوي اهمیت کمتر اهمیت بیشتر اهمیت خیلی بیشتر اهمیت خیلی خیلی بیشتر عدد فازي (3 ) (5 3 ) (7 5 3) (9 7 5) (9 9 7) اگر ماتریس رابطه (4) ماتریس مقایسه زوجی فرض شود رابطه (5) براي آن در نظر گرفته میشود: = >, (,,3), (,3,5), (3,5,7), (5,7,9), (7,9,9) =, <, (,,3), (,3,5), (3,5,7), (5,7,9), (7,9,9) (5) مقیاس زبانی در جدول براي اعداد فازي مثلثی داده شده است. سپس ماتریس وزن فازي با روش بوکلی با توجه به رابطهه يا به صورت (6) و (7) محاسبه میشود: = (6) = ( ( ) (7) که مقدار مقایسه فازي معیار i به معیار n است و میانگین هندسی مقدار مقایسه معیار i به هر معیار است. بعد از 0 اینکه ماتریس اهمیت وزن به دست آمد فرآیند فازيزدایی براي تبدیل عدد فازي به مقدار قطعی به کار برده میشود. در ابتدا اعداد فازي به مقادیر قطعی فازي زدایی شده و سپس فرآیند نرمالیزه کردن آن صورت میگیرد براي فازيزدایی 2 روش مرکز ثقل به کار برده میشود که پرکاربردترین روش در این زمینه میباشد رابطه (8) هر دو فرآیند فازيزدایی و نرمالیزهکردن را یکجا نشان میدهد: شکل 2. بازه سیستم خیالی 0 Importance weight matrix Defuzzification 2 Centroid

13 3 انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD = = (8) که اهمیت معیار rام و غیرفازي میباشد و n تعداد معیارها است. 3-2 مساي ل رتبهبندي در بعضی از مساي ل ممکن است یکی از گزینهها هدف طراحی را به هیچ وجه برآورده نکند. در این صورت حجم اطلاعاتی آن بینهایت میشود اگر براي گزینه دیگر نیز همین وضعیت پیش بیاید نمیتوان بین آنها مقایسه صورت داد. در این حالت معیارها را به دو دستهي هزینه و یا منفعت تقسیم کرده براي منفعت یک عدد فازي با 0 =( (, 0= در نظر گرفته میشود که حد بالایی آن = ) (,= = که نمایانگر بالاترین حد منفعت در بین گزینههاست و براي هزینهها نیز = ) (,0= و 0= ) (, = = که نشان دهندهي بزرگترین حد بالاي هزینه مربوط به گزینهها است. در این حالت با محاسبه حجم اطلاعاتی در ناحیه تصمیم گفته شده و ناحیه هر یک از گزینهها میتوان بین آنها رتبهبندي صورت داد [20] [2]. حال به عنوان مثال فرض کنید بازه طراحی و بازه سیستم به صورت شکل باشد: شکل. بازه طراحی ایده آل و بازه سیستم در صورتی که بازه طراحی و بازه سیستم طبق شکل فوق در نظر گرفته شود آنگاه محتواي اطلاعاتی که لگاریتم در مبناي دوي حاصل تقسیم مساحت بازه سیستم بخش بر بازه طراحی است از رابطه (9) محاسبه میشود: = log (9) الف) گام 6: همانطور که در قبل گفته شد اگر ارزیابی رابطه محتواي است فازي گزینهها که در اطلاعاتی قسمتهاي قبلی براي بدیهه دوم به آن اشاره شد براي آن مورد استفاده قرار میگیرد. = { } که ارزیابی در صورتی مثل باشد قطعی گزینهها که محتواي نسبتی نامیده اطلاعاتی میشود طبق رابطه (20) به دست میآید [20] و [2].

14 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان 39 4 = log ( ), ( ) = سود هزینه (20) (20) در واقع براي عدد فازي یک سیستم تصور میشود خیالی اما محتواي (شکل 2 ) اطلاعاتی آن طبق رابطه محاسبه میشود. گام 7: در این گام محتواي اطلاعاتی براي سطوح معیار که داراي زیر شاخه هستند با توجه به وزنهاي مربوط به معیارها محاسبه میشود روابط زیر بیانگر محتواي اطلاعاتی این معیارها خواهد بود: = = = = = (2) (22) (23) (24) (25) گام 8: بعد از محاسبات گزینهاي که کمترین حجم اطلاعاتی I را داشته باشد به عنوان گزینه برتر انتخاب میشود. 3- مدل پیشنهادي براي انتخاب راهبرد نگهداري و تعمیرات مدل پیشنهادي بهطور خلاصه به شرح زیر میباشد: گام : گام :2 معیارهاي لازم براي انتخاب استراتژي نت توسط کارشناسان تعیین گردد. راهبردهاي ممکن نت (بدیلها) مشخص گردد. گام 3: ساختار مساله تعیین شود. براي مثال معیارهاي مساله میتواند همگی در یک سطح باشند و یا سلسله مراتبی از معیارها را داشته باشیم. گام 4 : وزن معیارها تعیین گردد. این کار میتواند با روش تحلیل سلسه مراتبی فازي گام 4 روش طراحی بدیهه- گراي سلسله مراتبی یا بهطور مستقیم توسط کارشناسان تعیین گردد. هر روش دیگري را نیز در این بخش میتوان استفاده نمود. گام 5: ارزیابی بدیلها نسبت به معیارها توسط کارشناسان که براي مثال میتواند با توجه به جدول 4 صورت بگیرد در این گام ارزیابیهاي دقیق نیز میتواند صورت بگیرد. در واقع در این گام بازهي سیستم بدیلها مشخص میگردد. گام 6: تجمیع نظر کارشناسان با توجه به روابط (4) و (5) یا با استفاده از روش چن بخش -2 2 که وزن کارشناسان را نیز در نظر میگیرد. گام 7: انتخاب یک بازه طراحی مناسب همانطور که در مساي ل رتبهبندي به آن اشاره گردید. گام 8: محاسبه حجم اطلاعاتی با استفاده از رابطه (9) در صورت ارزیابی فازي و رابطه (20) در صورت ارزیابی قطعی. گام 9: مرتبکردن بدیلها بصورت صعودي با توجه به حجم اطلاعاتی. چارچوب مدل فوق در شکل 3 قابل مشاهده است.

15 5 انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD شکل 3. چارچوب مدل پیشنهادي - 4 موردکاوي مورد کاوي زیر از مرجع [2] اقتباس شده است. معدن مس سونگون در ورزقان در کوهاي قرهداغ که 2390 متر از سطح دریا قرار دارد واقع شده است. بعد از مطالعات امکانسنجی و فنی کامیونهاي کمپرسی 00 و 30 تنی کوماتسو براي حمل مواد از این معدن انتخاب شده است. براي انتخاب راهبرد نگهداري و تعمیرات این کامیونها کارشناسان ذیربط 2 معیار موجودي قطعات یدکی دستمزد پرسنل میانگین زمان تا تعمیر میانگین زمان تا شکست صدمه به محصول صدمه به افراد صدمه به محیطزیست فناوري منابع انسانی کیفیت محصول کارایی و ایمنی ذاتی را به عنوان معیارهاي مربوطه اختیار نمودند ) شکل 4) که هفت معیار اول معیار هزینه و پنج معیار آخر معیار سود است. وزن معیارها در جدول 2 آمده است نظرات خبرگان در مورد راهبردها و معیارها در جدول 3 اراي ه شده است. این مساله با استفاده از روش رتبهبندي طراحی بدیههگرا حل شده و نتایج با روش COPRAS مقایسه شده است که دقیقا جوابهاي یکسانی از روي حجم اطلاعاتی محاسبه شده به دست آمد (جدول 5). معیارهاي کلامی مورد استفاده را می توان در جدول 4 مشاهده کرد.

16 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان 39 6 جدول 2. اوزان محاسبه شده اوزان معیارها معیار هزینه C C2 C3 C4 مخاطره R R2 R3 قابلیت دسترسی AC AC2 ارزش افزوده AV AV2 AV3 شکل 4. ساختار سلسله مراتبی مساله

17 7 انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD جدول 3. ارزیابیهاي کلامی صورت گرفته توسط کارشناسان FBM تاثیر PM CBM SM OM VL VH H M L H M L VL L VH M M L H VH VL M L M VH VL L M L H L M VL M M H M L L VH VL M H H H L M M M L VH H H M M H VH VH H VL VH H H M جدول 4. تعریف توابع عضویت اعداد فازي (بازهي سیستم ( اعداد فازي مثلثی (0,,3) (,3,5) (3,5,7) (5,7,9) (7,9,0) متغیرهاي زبانی خیلی کم (VL) کم (L) متوسط (M) زیاد (H) خیلی زیاد (VH) جدول 5. رتبهبندي نهایی صورت گرفته با استفاده از روش طراحی بدیههگراي فازي سلسله مراتبی FBM PM CBM SM استراتژي ها OM حجم اطلاعاتی محاسبه شده رتبه نهایی 2 5- نتیجه و جمعبندي انتخاب راهبرد نگهداري و تعمیرات یک مساله اساسی مدیریت بوده و نقش مهمی در ساخت و تولید ایفا میکند. به دلیل وجود عدم قطعیت در دنیاي واقعی استفاده از تي وري فازي براي این منظور مناسب است. پژوهشهاي زیادي در این زمینه صورت گرفته که در بیشتر آنها روش تحلیل سلسله مراتبی بکار رفته است نقایص این روش بر همگان آشکار است. از

18 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان 39 8 این رو مدلی که سادگی و دقت بالا داشته باشد مد نظر نویسندگان این مقاله بوده است ازاینرو در این مقاله کاربرد روش طراحی بدیههگراي فازي در انتخاب راهبرد نگهداري و تعمیرات در معدن سونگون مطالعه شد. مشاهده میشود مدل حاضر سادگی دقت و کارایی بالایی در مقایسه با مدله يا اراي ه شده همچون [2] COPRAS و دیگر مدلها دارد. همچنین در مدل پیشنهادي میتوان براي کارشناسان وزن در نظر گرفته و نیز ارزیابیها را تواما فازي و یا قطعی لحاظ نمود. از این روش براي انتخاب استراتژي نگهداري و تعمیرات در موارد دیگر نیز میتوان استفاده کرد. همچنین مدل حاضر 3 را میتوان در شرایطی که اطلاعات موجود اندك است موسوم به عدم قطعیت شناختی توسعه داد. مراجع: [] Sayadi, Ahmad Reza, Ali Lashgari, and Jacek Jack Paraszczak. "Hard-rock LHD cost estimation using single and multiple regressions based on principal component analysis." Tunnelling and Underground Space Technology 27, no. (202): [2] Fouladgar, Mohammad Majid, Abdolreza Yazdani-Chamzini, Ali Lashgari, Edmundas Kazimieras Zavadskas, and Zenonas Turskis. "Maintenance strategy selection using AHP and COPRAS under fuzzy environment." International journal of strategic property management 6, no. (202): [3] Murthy, D. N. P., and E. Asgharizadeh. "Optimal decision making in a maintenance service operation." European Journal of Operational Research 6, no. 2 (999): [4] De Almeida, A. T., and G. A. Bohoris. "Decision theory in maintenance decision making." Journal of Quality in Maintenance Engineering, no. (995): [5] Bevilacqua, M., and M. Braglia. "The analytic hierarchy process applied to maintenance strategy selection." Reliability Engineering & System Safety 70, no. (2000): [6] Bertolini, M., M. Braglia, and G. Carmignani. "Application of the AHP methodology in making a proposal for a public work contract." International Journal of Project Management 24, no. 5 (2006): [7] Al-Najjar, Basim, and Imad Alsyouf. "Selecting the most efficient maintenance approach using fuzzy multiple criteria decision making." International Journal of Production Economics 84, no. (2003): [8] Azadivar, Farhad, and Victor Shu. "Maintenance policy selection for JIT production systems." International Journal of Production Research 37, no. 6 (999): [9] Gaonkar, Rajesh S. Prabhu, A. K. Verma, and A. Srividya. "Exploring fuzzy set concept in priority theory for maintenance strategy selection problem." International Journal of Applied Management and Technology 6, no. 3 (2008): 7. [0] Bashiri, Mahdi, Hossein Badri, and Taha Hossein Hejazi. "Selecting optimum maintenance strategy by fuzzy interactive linear assignment method." Applied Mathematical Modelling 35, no. (20): [] Wang, Ling, Jian Chu, and Jun Wu. "Selection of optimum maintenance strategies based on a fuzzy analytic hierarchy process." International Journal of Production 3 Epistemic uncertainty

19 9 انتخاب استراتژي نگهداري و تعمیرات با استفاده از FAD Economics 07, no. (2007): [2] Kulak, Osman, and Cengiz Kahraman. "Fuzzy multi-attribute selection among transportation companies using axiomatic design and analytic hierarchy process." Information Sciences 70, no. 2 (2005): [3] Suh, Nam P. The principles of design. Vol New York: Oxford University Press, 990. [4] Kulak, Osman, and Cengiz Kahraman. "Fuzzy multi-attribute selection among transportation companies using axiomatic design and analytic hierarchy process." Information Sciences 70, no. 2 (2005): [5] Kulak, Osman, and Cengiz Kahraman. "Multi-attribute comparison of advanced manufacturing systems using fuzzy vs. crisp axiomatic design approach." International Journal of Production Economics 95, no. 3 (2005): [6] Kulak, Osman. "A decision support system for fuzzy multi-attribute selection of material handling equipments." Expert Systems with Applications 29, no. 2 (2005): [7] Kulak, Osman, M. Bülent Durmuşoğlu, and Cengiz Kahraman. "Fuzzy multi-attribute equipment selection based on information axiom." Journal of Materials Processing Technology 69, no. 3 (2005): [8] Kannan, Devika, Govindan Kannan, and Sivakumar Rajendran. "Fuzzy Axiomatic Design Approach based Green Supplier Selection: A Case Study from Singapore." Journal of Cleaner Production (204). [9] Chen, Shyi-Ming. "Aggregating fuzzy opinions in the group decision-making environment." Cybernetics & Systems 29, no. 4 (998): [20] Cebi, Selcuk, and Cengiz Kahraman. "Developing a group decision support system based on fuzzy information axiom." Knowledge-Based Systems 23, no. (200): 3-6. [2] Kahraman, Cengiz. "A new multi-attribute decision making method: Hierarchical fuzzy axiomatic design." Expert Systems with Applications 36, no. 3 (2009):

20 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهرهورفراگیر ) TPM ( بر سطح سیگماي محصولات تولیدي رشید افرازدوگاهه دانشجوي کارشناسی ارشد مهندسی صنایع دانشگاه آزاد واحد تهران جنوب دانشکده مهندسی صنایع تهران ایران چکیده * امیرعباس شجاعی استادیار دانشگاه آزاد واحد تهران جنوب دانشکده مهندسی صنایع تهران ایران صدیق ري یسی دانشیار دانشگاه آزاد واحد تهران جنوب دانشکده مهندسی صنایع تهران ایران (تاریخ دریافت: 39/06/20 تاریخ پذیرش: 39/09/0) سطح سیگماي فرایند به عنوان شاخصی که نشان دهنده کارایی و اثربخشی یک فرایند می باشد اثرات مهمی در راندمان و در نتیجه رقابت پذیري یک بنگاه تولیدي بر جا می گذارد در این میان نگهداري و تعمیرات بهره ور فراگیر (TPM) به عنوان یکی از راهکارهاي بهبود و افزایش کارایی سیستم دیدگاه بهبود مستمر بر فرایندهاي مربوط به نهاده هاي سخت و نرم تاثیرگذار بر تولید دارد. متدولوژي طراحی شده در این پژوهش از چهار فاز تشکیل شده است بر اساس فازهاي تعریف شده سطح سیگماي محصولات به عنوان متغیر وابسته و عوامل هشتگانه تشکیل دهنده (5S TPM نت خودگردان کایزن نت برنامهریزي شده ابزارهاي حفظ کیفیت وضعیت آموزش پرسنل TPM اداري و وضعیت ایمنی و سلامتی) به عنوان متغیر مستقل در نظر گرفته شده با استفاده از دادههاي نمونه برداري از خطوط تولید یک شرکت مخابراتی آزمونهاي وجود و یا عدم وجود ارتباط معنی داري میان متغیرهاي مستقل و متغیر وابسته مورد بررسی قرار گرفته و میزان همبستگی رتبه بندي شده است همچنین معادله رگرسیون خطی مربوطه تشکیل شده و مدل برنامهریزي ریاضی جهت بهینه سازي پشنهاد شده است. بر اساس یافتههاي این پژوهش در محیط مورد بررسی در میان اجزاء هشتگانه تشکیل دهنده TPM ابزارهاي حفظ کیفیت نت خودگردان و نت برنامه ریزي شده داراي بیشترین تاثیر بر سطح سیگماي محصولات بوده و لازم است جهت بهبود وضعیت سطح سیگما بر این ابزارها تمرکز نمود. همچنین در صورت تصیم بر ارتقاء سطح سیگماي محصولات تا حد مشخصی می توان با حل مدل برنامهریزي ریاضی پیشنهادي میزان تمرکز بهینه بر هریک از عوامل TPM را مشخص و جاري سازي نمود. کلیدواژهها: مدیریت نگهداري و تعمیرات بهرهور فراگیر (TPM) سیگماي فرایند ابزارهاي حفظ کیفیت. Using a Statistical Model to Evaluate the Effects of TPM on-sigma Level of Products Rashid Afraz Dogaheh MSc Student,Faculty of Industrial Engineering,Tehranjonoub Azad Univesity,Tehran,Iran Amir Abbas Shojaie Assistannt Professor, Faculty of Industrial Engineering,Tehranjonoub Azad Univesity,Tehran,Iran Sadigh Raissi Associate Professor, Faculty of Industrial Engineering,Tehranjonoub Azad Univesity,Tehran,Iran A_SHOJAIE@AZAD.AC.IR

21 2 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM Abstract Process sigma level as an indicator that shows the effectiveness and efficiency of the process has a significant impact on the efficiency and hence competitiveness of manufacturing firms. Among these TPM is a strategy to enhance system performance, continuous processes improvement related to soft and hard factors affecting production. The methodology developed in this study consists of four phases. Products based on these phases, define sigma level as the dependent variable and TPM components as independent variables according to the considerations in this paper. Using data from a sampling line of a telecommunication company, tests for absence of a significant relationship between the independent variables and the dependent variable were examined and correlations ranked. The corresponding linear regression equation, consisting of mathematical programming models, have been proposed to be optimized. Based on the results in this study, among the eight components comprising the TPM, maintaining quality tools, autonomous maintenance, planned maintenance, have greatest impact on sigma level products. Keywords: TPM, Sigma Level of Products, Maintaining Quality Tools مقدمه امروزه میتوان شش سیگما را فراگیرترین متدولوژي کیفیت در جهان دانست. بسیاري از شرکتها قبل از تعریف پروژه هاي شش سیگما اقدام به محاسبه ي سطح سیگماي فرایند و یا محاسبهي سطح سیگما براي محصولی خاص می پردازند. این امر از آن جهت مفید است که میتواند جایگاه کیفی و وضعیت تولید شرکت را در قالب یک یا چند عدد ساده و قابل فهم به نمایش بگذارد و مدیران را در راستاي برنامههاي کیفی یاري دهد. امروزه ضرورت تولید محصولات با کیفیت بالاتر و هزینه کمتر شرکتها را ملزم به دقت و توجه بیشتر به فرایندهاي تولیدي و استفاده از ابزارها و رویکردهایی جهت رسیدن به هدف مذکور نموده است. در موقعیت کنونی جدیدترین و کاراترین سیستم نگهداري و تعمیراتی که ذهن تولیدکنندگان و صاحبان صنایع را به خود معطوف کرده است نگهداري و تعمیرات بهرهور جامع (TPM) است. TPM ابزاري نسبتا کم هزینه و با کارایی و اثربخشی بالاست که اجراي آن در صنایع مختلف منجر به کاهش بسیار زیاد در تعداد عیوب غیرمنتظره تجهیزات هزینههاي مستقیم نگهداري و تعمیرات هزینههاي کیفیت و موجودي در حال ساخت و افزایش بسیار زیاد در بهرهوري نیروي انسانی و... شده است. استفادهي بی مهابا و نسنجیده از ابزارهاي کیفی در بسیاري موارد منجر به وارد آمدن زیانهاي سنگین بر شرکتها و ناتمام ماندن اجراي آن رویکردها شده است که علاوه بر هزینه هاي مادي هزینههاي روانی و انگیزشی سنگینی را نیز بر شرکتها تحمیل میکند. از اینرو لازم است قبل از به کار بردن هر ابزاري تاثیر آن بر بهبود سطح کیفیت مورد بررسی قرار گیرد و در صورت لزوم تعدیلات و تغییرات لازم در آن ابزار جهت رسیدن به بالاترین کارایی و اثربخشی حاصله صورت پذیرد. از طرفی محاسبهي سطح سیگما براي فرایند هاي تولیدي میتواند شاخصی استاندارد و مطلوب جهت بررسی و مقایسه ي فرایندهاي تولیدي در دست مدیران باشد. تولد شش سیگما در سال 979 در موتورولا صورت گرفت. نام و ایدهي شش سیگما به بیل اسمیت مهندس ارشد کیفیت شرکت موتورولا نسبت داده میشود که اکنون به عنوان پدر شش سیگما شناخته میشود. در سال 987 شش سیگما بهطور رسمی در موتورولا معرفی شد و رسیدن به سطح کیفی شش سیگما بهعنوان یک راهکار 5 ساله تعیین گردید. شش سیگما یک روش شناسی کمی و جامع بهبود اثربخش سازمان است که یک روش براي دستیابی به نتایج چشمگیر در سازمان اراي ه میدهد []. هر گاه سازمانی به سطح شش سیگما برسد این بدان معناست که حدود 99/9996 درصد از فرصتها خطا نبوده اند و به عبارت دیگر فقط 3,4 خطا در یک ملیون فرصت در سازمان وجود دارد [2]. متدولوژي شش سیگما یک نوآوري است که کانون تمرکز آن بر روي حداقل رساندن نقصها در محیط ه يا صنعتی یا خدماتی و حل مسا له در آن زمینه است شش سیگما نقص در هر مساله پیش آمده در تمام بخشهاي شرکت را تعریف

22 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان میکند که به وسیله مدیریت یا به وسیله مشتري درك گردیده است. بدین ترتیب شش سیگما یک متدولوژي شناسایی علت چنین نقصها و حذف آنها میباشد [3]. در برنامههاي شش سیگما به هر آنچه که با رضایتمندي مشتریان و مطلوبیت مد نظر آنها مغایرت داشته باشد ضایعات گفته می شود راهبرد شش سیگما در برگیرنده استفاده از ابزارهاي آماري در قالب یک روش ساخت یافته است تا با دستیابی به دانش مورد نیاز در دنیاي رقابتی امروز تولید محصولات و اراي ه خدمات بهتر و سریعتر و با هزینه کمتري به انجام رشد [4]. TPM از سال 950 تا 970 با الگوبرداري از صنایع آمریکا در صنایع ژاپن ایجاد شد و در طول سالها به منظور پاسخگویی به نیازهاي صنعت تغییر کرد. مشخصات اصلی TPM عبارتند از اصل اول : نت خودگردان توسط اپراتورهاي تولید اصل دوم: فعالیتهاي بیشینه کردن اثربخشی و اصل سوم: استفاده از فعالیتهاي گروههاي کوچک کاري در به کارگیري TPM مشکلاتی از جانب عوامل ساختاري فرهنگی رفتاري فناوریکی عملیاتی مالی و عوامل میان بخشی و سازمانی به وجود میآید. اما به کار بردن صحیح آن و رفع موانع فوق میتواند عامل بالقوهي عظیمی در بهبود عملکرد سازمان باشد [5]. TPM یکی از زیرمجموعه هاي تولید ناب به شمار می رود تحقیقات نشان داده اند که به کار بردن همزمان تولید ناب و شش سیگما (شش سیگماي ناب) بر محدودیتهاي کاربرد هر کدام از آن دو متدولوژي به تنهایی فاي ق می آید [6]. رویکرد شش سیگماي ناب نیاز به حمایت مدیریت تعامل و همکاري و تسهیم مناسب اطلاعات دارد و همینطور جهت اجراي آن به یک رویکرد سیستماتیک تغییر و بهبود سازمانی نیازمندیم [7]. استفاده از یک رویکرد تلفیقی از تولید ناب و شش سیگما پتانسیلی براي تحقق اهداف و نتایج بزرگ و غیر معمول میباشد. [8] شش سیگما بهعنوان یک نظم و مقررات تکنیکی و پروژه محور توسط نیروي کار درك میشود و مشکلی که عموما پیش میآید بهواسطهي اینست که افراد سابقهي آموزش و تحصیل کافی را ندارند. از سوي دیگر TPM بیشتر بر روي بهبود مستمر در فرایند کارخانه / شرکت تمرکز دارد [9]. مدل اراي ه شده توسط توماس بارتون و بیارد یک مدل ترکیبی از TPM و شش سیگماست و میتواند بزرگترین عذرهاي عنوان شده شرکتها که "شش سیگما قابل تحقق نمی باشد" را مردود سازد [0]. یک مطالعه موردي در صنایع کوچک در مالزي حاکی از تاثیر مستقیم عواملی نظیر آموزش مشارکت کارکنان و فرهنگ سازمانی بهعنوان فاکتورهاي کلیدي و بحرانی در موفقیت پیاده سازي TPM دارد []. استفاده مناسب از TPM در سیستمهاي تولیدي میتواند منجر به بهینه سازي و افزایش کارایی سیستمهاي تولیدي گردد. [2] همچنین TPM میتواند کارایی کلی تجهیزات را افزایش داده و و در نتیجه کاهش ضایعات و دوباره کاريها را موجب گردد [3]. تشریح متدولوژي طراحی شده مدیریت بهرهور فراگیر (TPM) از 8 رکن اساسی تشکیل شده که شالوده این سیستم را تشکیل میدهند 4 فعالیت از این 8 رکن براي ایجاد کارایی در تولید یک فعالیت براي آغاز سیستم کنترلی برروي محصولات و تجهیزات جدید یک فعالیت براي افزایش اثربخشی مدیریت و بقیه در زمینه ایمنی و سلامتی در کار با تجهیزات است. در این تحقیق با توجه به موارد فوق الذکر جهت بررسی اثرات TPM بر سطح سیگماي محصولات مدلی با 4 گام طراحی گردیده که بر اساس آن

23 23 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM عوامل 8 گانه تشکیل دهنده TPM به عنوان متغیر مستقل و سطح سیگماي محصولات به عنوان متغیر وابسته در نظر گرفته میشود. متدولوژي طراحی شده در این پژوهش بر اساس نمودار شماره () نمایش داده شده است. همچنین متغیرهاي مستقل و وابسته در جدول شماره () آورده شده است. دادهها در پژوهش فوق از خطوط تولید یک شرکت مخابراتی جمع آوري شده است. ساز و کار جمع آوري اطلاعات به جزء سطح سیگماي محصول که بر اساس روشهاي آماري تعریف شده محاسبه شده است براي عوامل 8 گانه TPM طراحی چک لیستهاي مربوطه و ممیزي از خطوط تولید میباشد. این چک لیستها براي مفاهیم مربوط به هر یک از اجزاء TPM که در این پژوهش به عنوان متغیرهاي مستقل در نظر گرفته شده اند بر اساس زیرساختهاي موجود در تعریف هر یک طراحی شده و خطوط تولید محصولات انتخابی در حین فرایند تحقق محصول مورد ممیزي قرار گرفته است. چک لیستهاي طراحی شده براي هر یک از زیرشاخصهاي تشکیل دهنده به پیوست شماره اراي ه شده است. نرم افزار مورد استفاده در تجزیه و تحلیل دادهها و تبدیل آن به اطلاعات قابل تصمیم گیري نرم افزار MINITAB بوده و در کلیه فرضیات آماري و رگرسیونها از این نرم افزار استفاده گردیده است. مطالعه مدیریت بهره ور فراگیر و عوامل موثر برآن مطالعه عوامل وقوع عدم تطابق در ایستگاههاي آزمون تجزیه و تحلیل عوامل موثر بر TPM و تعیین متغیرهاي مستقل و وابسته تعیین محصولات جهت بررسی ارتباط TPM و سطح سیگما مرور کلی مشاهده خط تولید و انتخاب فرایند / محصولات محاسبه سطح سیگماي محصولات انتخاب شده محاسبه عوامل موثر بر محصول شامل : TPM متناسب با هر 2- درصد - میزان پیاده سازي آراستگی ) 5S ( -7 اجراي نت خودگردان 4- پیاده سازي نت برنامهریزي شده 3- درصد استفاده از کایزن 5- استفاده از ابزارهاي حفظ کیفیت 6- میزان پرسنل آموزش دیده میزان پیاده سازي TPM اداري ایمنی و سلامتی 8- تعداد حوادث انجام آزمون فرض وجود و یا عدم وجود رابطه معنی داري میان سطح سیگماي محصول و هر یک از 8 عامل تشکیل دهنده TPM و رتبه بندي میزان همبستگی تشکیل معادله رگرسیونی متناسب با داده هاي نمونه برداري پیشنهاد مدل برنامه ریزي ریاضی نمودار. گردش فرایند فازهاي تحقیق

24 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان جدول. تعریف متغیرهاي مستقل و وابسته در مدل پیشنهادي عنوان متغیر علامت متغیر نوع متغیر سطح سیگماي محصول وابسته Y میزان پیاده سازي S5 مستقل X 2 درصد اجراي نت خودگردان مستقل X2 3 درصد استفاده از کایزن مستقل X3 4 درصد پیاده سازي نت برنامهریزي شده مستقل X4 5 درصد استفاده از ابزارهاي حفظ کیفیت مستقل X5 6 درصد پرسنل آموزش دیده مستقل X6 7 درصد پیاده سازي TPM اداري مستقل X7 8 تعداد حوادث ایمنی و سلامتی مستقل X8 9 فرضیات آماري : دارد. فرض شماره : میان سطح سیگماي محصولات و میزان پیاده سازي نظام آراستگی رابطه معنی داري وجود متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: میزان پیاده سازي نظام آراستگی (X) سطح سنجش متغیر: نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون فرض شماره 2: میان سطح سیگماي محصولات و میزان اجراي نت خودگردان رابطه معنی داري وجود دارد. متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: درصد اجراي نت خودگردان (X2) سطح سنجش متغیر: نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون فرض شماره 3: میان سطح سیگماي محصولات و میزان استفاده از کایزن رابطه معنی داري وجود دارد. متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: درصد استفاده از کایزن (X3) سطح سنجش متغیر: نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون دارد. فرض شماره 4: میان سطح سیگماي محصولات و میزان اجراي نت برنامه ریزي شده رابطه معنی داري وجود متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: درصد پیاده سازي نت برنامهریزي شده (X4) سطح سنجش: نسبی

25 25 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM آزمون مورد استفاده: ضریب همبستگی پیرسون فرض شماره 5: میان سطح سیگماي محصولات و میزان استفاده از ابزارهاي حفظ کیفیت رابطه معنی داري وجود دارد. متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: درصد استفاده از ابزارهاي حفظ کیفیت (X5) سطح سنجش: نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون فرض شماره 6: میان سطح سیگماي محصولات و میزان پرسنل آموزش دیده رابطه معنی داري وجود دارد. متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: درصد پرسنل آموزش دیده (X6) سطح سنجش نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون فرض شماره 7: میان سطح سیگماي محصولات و میزان پیاده سازي TPM اداري رابطه معنی داري وجود دارد. متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: درصد پیاده سازي TPM اداري( X7 ) سطح سنجش: نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون فرض شماره 8: میان سطح سیگماي محصولات و تعداد حوادث ایمنی و سلامتی رابطه معنی داري وجود دارد. متغیر وابسته: سطح سیگماي محصولات (Y) سطح سنجش متغیر: نسبی متغیر مستقل: تعداد حوادث ایمنی و سلامتی (X8) سطح سنجش: نسبی آزمون مورد استفاده: ضریب همبستگی پیرسون جهت انجام فرضیات فوق ابتدا دادههاي مربوط به متغیر وابسته و متغیرهاي مستقل جمع آوري شده است. جهت جمع آوري این اطلاعات در یک بازه زمانی که منجر به تولید محصولات شده است بر اساس چک لیستهاي طراحی شده میزان پیاده سازي هر یک از اجزاء هشتگانه TPM در خطوط تولید مورد ممیزي قرار گرفته است در پایان نیز سطح سیگماي محصولات تولید شده محاسبه گردیده است. سطح سیگماي محصولات تولید (متغیر وابسته) بر اساس ماهیت وجودي عددي بین صفر تا 6 و میزان پیاده سازي هر یک از اجزاء TPM (متغیرهاي مستقل) بر اساس چک لیستهاي طراحی شده عددي بین صفر تا یک محاسبه شده است. جدول شماره 2 داده هاي خام مربوط به این پژوهش را نمایش میدهد. همچنین بر اساس موارد فوق الذکر و نوع متغیرها آزمون مورد استفاده در تعیین وجود و یا عدم وجود ارتباط معنی داري میان متغیر وابسته و متغیرهاي مستقل بر اساس کنترل شرایط ذیل از آزمونهاي پارامتریک میباشد. شرایط استفاده از آزمونهاي پارامتریک الف: سطوح سنجش ب: متغیرها فاصلهاي یا نسبی باشد : در مورد دادههاي فوق کلیه متغیرها داراي سطح سنجش نسبی هستند. توزیع دادهها نرمال باشد :

26 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان مقادیر p value بدست آمده براي کلیه متغیرها بالاي 0,05 می باشد که نرمال بودن توزیع را اثبات مینماید. ج: نمونهها مستقل از هم باشند: در فرایند نمونه برداري در جمع آوري دادههاي فوق شرط استقلال رعایت شده است. د: واریانس نمونهها برابر باشد: نتایج حاصل از ازمون بارتلت حاکی از مقادیر pvalue بالاي 0,05 براي کلیه متغیرهاست. جدول 2. دادههاي خام جمع آوري شده Y شماره نمونه X X2 X3 X4 X5 X6 X7 X تحلیل آماري اولیه متغیرها: تحلیل اولیه آماري متغیرهاي مستقل و وابسته شامل میانگین انحراف از معیار واریان س مینیمم و ماکزیمم در جدول شماره 3 آورده شده است.

27 27 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM جدول 3. تحلیل اولیه آماري متغیرهاي مستقل و وابسته Variable N Mean SE Mean StDev Minimum Maximum Y X X X X X X X X بررسی میزان همبستگی سطح سیگماي محصول (متغیر وابسته استفاده از ضریب همبستگی پیرسون و آزمون مربوطه Y) و اجزاء تشکیل دهنده Xi) TPM ها) با جهت انجام آزمونهاي فرض از ضریب همبستگی پیرسون استفاده گردیده و مقدار ضریب همبستگی و p-value به شرح جدول شماره 4 اراي ه گردیده است : جدول 4. میزان همبستگی متغیرهاي وابسته و مستقل بر اساس ضریب همبستگی پیرسون Y X X2 X3 X4 X5 X6 X7 X X X X X X

28 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان X X تحلیل نتایج حاصل از فرضیههاي آماري بر اساس نتایج حاصل از ضرایب پیرسون بدست آمده کلیه متغیرهاي مستقل به جزء تعداد حوادث ایمنی و سلامتی با متغیر وابسته داراي ارتباط معنی دار میباشند نوع رابطه و جهت آن میان هر یک از متغیرهاي مستقل و متغیر وابسته در جدول شماره 5 آورده شده است. جدول 5. نوع رابطه و جهت آن بین متغیروابسته (سطح سیگماي محصولات) و متغیرهاي مستقل ) اجزاء تشکیل دهنده ( TPM ردیف عنوان متغیر وابسته عنوان متغیر مستقل وجود رابطه نوع رابطه جهت رابطه دارد بسیارقوي مثبت میزان پیاده سازي ( X ) S5 درصد اجراي نت خودگردان ) X2 ( دارد بسیار قوي مثبت 2 درصد استفاده از کایزن ) X3 ( دارد بسیار قوي مثبت 3 سطح سیگماي درصد پیاده سازي نت برنامه ریزي شده ) X4 ( درصد استفاده از ابزارهاي حفظ کیفیت ) X5 ( دارد دارد بسیار قوي بسیار قوي مثبت مثبت 4 5 محصولات درصد پرسنل آموزش دیده ) X6 ( دارد نسبتا قوي مثبت 6 دارد ندارد نسبتا قوي - مثبت - درصد پیاده سازي TPM اداري ) X7 ( تعداد حوادث ایمنی و سلامتی ) X8 ( ( Y ) 7 8 رتبه بندي میزان همبستگی متغیرهاي مستقل با متغیر وابسته بر اساس ضریب همبستگی پیرسون بر اساس ضرایب پیرسون بدست آمده رتبه بندي میزان همبستگی اجزاي تشکیل دهنده TPM و سطح سیگماي محصول به شرح جدول شماره 6 اراي ه شده است. بر اساس داده هاي حاصل ضرایب همبستگی پیرسون درصد استفاده از ابزارهاي حفظ کیفیت و نت برنامهریزي شده داراي بیشترین تاثیر بر روي سطح سیگماي محصولات تولیدي بوده و تعداد حواد ث ایمنی و سلامتی ارتباط معنی داري با سطح سیگماي محصولات ندارد.

29 29 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM جدول 6. رتبه بندي میزان همبستگی اجزاء تشکیل دهنده TPM و سطح سیگماي محصول رتبه میزان همبستگی عنوان متغیر عنوان متغیر تشکیل دهنده TPM ضریب همبستگی پیرسون 0,806 X5 درصد استفاده از ابزارهاي حفظ کیفیت 0,774 X4 درصد پیاده سازي نت برنامهریزي شده 2 0,755 درصد استفاده از کایزن X3 3 0,752 درصد اجراي نت خودگردان X2 4 0,702 میزان پیاده سازي S5 X 5 0,55 درصد پیاده سازي TPM اداري X7 6 0,525 درصد پرسنل آموزش دیده X6 7 تحلیل رگرسیون خطی با توجه به ضرایب همبستگی و نوع رابطه بدست آمده میان متغیرهاي مستقل و وابسته و با توجه به اینکه رابطه میان متغیرX8 (تعداد حوادث ایمنی) و متغیر وابسته (سطح سیگماي محصولات) بر اساس آزمون پیرسون اثبات نگردید جهت کاهش حجم محاسبات این متغیر در معادلات رگرسیونی وارد نمیگردد. جهت انجام تحلیل رگرسیون لازم است ابتدا دادهها فاقد بعد گردند تا بتوان از آنها در یک ترکیب خطی استفاده نمود. براي این کار (فاقد بعد سازي) از روش خطی استفاده شده است. دادههاي استاندارد شده به شرح جدول 7 اراي ه گردیده است. x= براي شاخصهاي مثبت داریم : x= براي شاخصهاي منفی داریم : جهت انجام تحلیل رگرسیون ابتدا میبایست آنالیز واریانس مربوط به آزمون انجام شده تا در صورت معنی داري ادامه فرایند تحلیل رگرسیون انجام میگردد. در گام بعدي معادله رگرسیونی میان متغیرهاي مستقل و وابسته بر اساس دادههاي نمونه برداري شده در نرم افزار Minitab تشکیل شده و بر اساس مقادیر خروجی P value متغیرهاي خارج از مدل مرحله به مرحله کنار گذاشته شده و متغیرهاي اصلی انتخاب میگردند پس از این مرحله اثرات داخلی متغیرها (Interaction) نیز بررسی شده و مدل نهایی تشکیل میگردد. در ادامه خروجی فرایند ذکر شده در مراحل مختلف بر اساس تحلیلهاي نرم افزار Minitab اراي ه شده است.

30 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان جدول 7. دادههاي استاندارد شده جهت استفاده در رگرسیون خطی Y شماره نمونه X X2 X3 X4 X5 X6 X Regression Analysis: Y versus X; X2; X3; X4; X5; X6; X7 The regression equation is Y = X X X X X X X7 Predictor Coef SE Coef T P Constant X X X

31 3 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM X X X X S = R-Sq = 86.% R-Sq(adj) = 8.7% Analysis of Variance Source DF SS MS F P Regression Regression Analysis: Y versus X; X2; X4; X5; X6; X7 The regression equation is Y = X X X X X X7 Predictor Coef SE Coef T P Constant X X X X X X S = R-Sq = 86.% R-Sq(adj) = 82.5% Analysis of Variance Source DF SS MS F P Regression Regression Analysis: Y versus X; X2; X4; X5; X7 The regression equation is Y = X X X X X7 Predictor Coef SE Coef T P Constant X X X X

32 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان X S = R-Sq = 85.9% R-Sq(adj) = 82.9% Analysis of Variance Source DF SS MS F P Regression Regression Analysis: Y versus X2; X4; X5; X7 The regression equation is Y = X X X X7 Predictor Coef SE Coef T P Constant X X X X S = R-Sq = 85.3% R-Sq(adj) = 83.0% Analysis of Variance Source DF SS MS F P Regression Regression Analysis: Y versus X2; X4; X5 The regression equation is Y = X X X5 Predictor Coef SE Coef T P Constant X X X S = R-Sq = 84.7% R-Sq(adj) = 82.9% Analysis of Variance Source DF SS MS F P Regression

33 33 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM Regression Analysis: Y versus X2; X5 The regression equation is Y = X X5 Predictor Coef SE Coef T P Constant X X S = R-Sq = 83.9% R-Sq(adj) = 82.7% Analysis of Variance Source DF SS MS F P Regression Regression Analysis: Y versus X2; X5; X2X5 The regression equation is Y = X X X2X5 Predictor Coef SE Coef T P Constant X X X2X S = R-Sq = 84.8% R-Sq(adj) = 83.0% Analysis of Variance Source DF SS MS F P Regression بر اساس خروجی تحلیلهاي انجام شده معادله رگرسیونی پیشنهادي به شرح ذیل میباشد: Y = X X5 بر اساس معادله رگرسیونی بدست آمده حاصل از تحلیلهاي انجام شده دو عامل درصد پیاده سازي نت خودگردان و درصد استفاده از ابزارهاي حفظ کیفیت تاثیرات بیشتري نسبت به دیگر عوامل تشکیل دهنده TPM بر سطح سیگماي محصولات ایفا مینمایند. نتایج تحلیل رگرسیونی بر اساس دادههاي استاندارد نشده به شرح ذیل میباشد:

34 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان The regression equation is Y = X X5 Predictor Coef SE Coef T P Constant X X S = R-Sq = 83.9% R-Sq(adj) = 82.7% Analysis of Variance Source DF SS MS F P Regression با توجه به هدف بیشینه سازي متغیر وابسته (سطح سیگماي محصول) نسبت به متغیرهاي باقی مانده مستقل در معادله رگرسیون خطی مدل برنامهریزي ریاضی ذیل جهت افزایش سطح سیگماي محصولات در محیط مورد بررسی پیشنهاد میگردد در این مدل متغیرهاي مستقل با توجه به ساز و کار جمع آوري اطلاعات اعدادي بین صفر و یک میباشند همچنین متغیر وابسته عددي بین صفر و 6 است (سطح سیگماي محصول) که در تحقیق فوق میانگین فعلی سطح سیگما در محصولات 3,63 بوده بنابراین در محدودیتها حد پایین براي سطح سیگماي محصولات میانگین فعلی در نظر گرفته شده است: Max Y = X X5 St : 0 X2 0 X Y 6 با حل مدل فوق میتوان سطح مطلوب سیگماي محصولات و همچنین میزان تمرکز بر هریک از ابزارهاي تاثیر گذار TPM بر سطح سیگماي محصولات را مشخص و از اتلاف منابع جلوگیري نمود.

35 35 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM نتیجه گیري و بحث در تحقیق انجام شده که در آن به دنبال مدلسازي و تجزیه و تحلیل اثرات نت بهره ور فراگیر محصولات تولیدي بودیم موارد زیر استخراج گردید: (TPM) بر سطح سیگماي رتبه بندي اثرات اجزاء تشکیل دهنده TPM برسطح سیگماي محصولات بر اساس دادههاي نمونه گیري شده در شرکت مخابراتی تحت بررسی با بررسی مستقل اثرات هر یک از اجزاء تشکیل دهنده TPM بر سطح سیگماي محصولات تولیدي میتوان رتبه بندي بر اساس جدول شماره 8 را بر مبناي میزان اثرگذاري اراي ه نمود: جدول 8. رتبه بندي میزان تاثیرگذاري اجزاء TPM بر سطح سیگماي محصولات رتبه میزان همبستگی عنوان متغیر عنوان متغیر تشکیل دهنده TPM ضریب همبستگی پیرسون 0,806 درصد استفاده از ابزارهاي حفظ کیفیت X5 0,774 درصد پیاده سازي نت برنامهریزي شده X4 2 0,755 درصد استفاده از کایزن X3 3 0,752 درصد اجراي نت خودگردان X2 4 0,702 میزان پیاده سازي S5 X 5 0,55 درصد پیاده سازي TPM اداري X7 6 0,525 درصد پرسنل آموزش دیده X6 7 بر اساس نتایج حاصله در محیط مورد بررسی تنها عاملی از TPM که اثر مشخص و اثبات شدهاي بر سطح سیگماي محصولات نمیگذارد تعداد حوادث ایمنی و سلامتی است و بقیه موارد هفتگانه داراي اثرات مثبتی بر سطح سیگماي محصولات میباشند در این میان درصد استفاده از ابزارهاي حفظ کیفیت با ضریب همبستگی مثبت 0,806 داراي بیشترین اثر و درصد پیاده سازي نت برنامهریزي شده درصد استفاده از کایزن درصد اجراي نت خودگردان میزان پیاده سازي نظام آراستگی درصد پیاده سازي TPM اداري و درصد پرسنل آموزش دیده در رتبههاي بعدي اثر گذاري قرار دارند. این آزمونها نشان میدهد با توجه به محدودیت در منابع جهت افزایش سطح سیگما در محیط مورد بررسی میبایست بر موضوع ابزارهاي حفظ کیفیت تمرکز نمود.

36 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان تحلیل رگرسیون خطی و اراي ه مدل برنامه ریزي ریاضی بر اساس تحلیل رگرسیون خطی انجام شده و با حذف مرحله به مرحله متغیرهاي مستقل از معادله رگرسیون (بر اساس خروجی MINITAB و مقادیر P VALUE بدست آمده) دو عامل درصد استفاده از ابزارهاي حفظ کیفیت و درصد پیاده سازي نت خودگردان داراي بیشترین تاثیر بر سطح سیگماي محصولات تولیدي میباشند. معادله رگرسیونی حاصل شده بر اساس دادههاي استاندارد شده به شرح ذیل میباشد: Y = X X5 بر اساس نتایج حاصل از خروجی نرم افزار MINITAB مقادیر P VALUE بدست آمده اثرات داخلی پیاده سازي متغیرهاي مستقل به صورت همزمان امکان ورود به معادله را نیافته و معادله رگرسیونی به صورت درجه یک در آمده است. (اثرات متقابل X2 و X5) همچنین معدله رگرسیونی حاصل از دادههاي استاندارد نشده به شرح است: Y = X X5 در راستاي افزایش سطح سیگماي محصولات در محیط مورد پژوهش بر اساس معادله برنامهریزي ریاضی ذیل پیشنهاد میگردد: رگرسیونی بدست آمده مدل Max Y = X X5 St : 0 X2 0 X Y 6 مراجع: [] T. Yang, C. H. Hsieh, Six-Sigma project selection using national quality award criteria and Delphi fuzzy multiple criteria decision-making method. Expert Systems with Applications (2009) Vol.36, [2] G. Knowles, L. Whicker, J. H. Femat and F. D. C. Canales, Conceptual model for the application of Six Sigma methodologies to supply chain improvement, International Journal of Logistics: Research and Applications (2005) Vol.8, No., [3] Dong-Suk Kim, A Study on Introducing Six Sigma Theory in the Library for Service Competitiveness Enhancement,,Paiknam Academic Information Center & Library Hanyang University ( 2006 ) [4] Adams c.w.et al, six sigma deployment, Elsevier Science,Amsterdam.(2003) [5] Ahuja, IPS and Khamba, JS, Total productive maintenance:literature review and directions (2008) [6] Arnheiter, Edward D And Maleyeff, John, The Integration Of Lean Management

37 37 استفاده از یک مدل آماري در بررسی اثرات مدیریت نگهداري و تعمیرات بهره ورفراگیر( )... TPM And. (2005) [7] Naslund,Dug Lean, Sixsigma and LeanSigma : fads or real process improvement methods? (2008) [8] Bevan, h And Westwood, N And Crowe, R And Oconnor, M,Lean Six Sigma: some basic concepts, (2007) [9] Kennedy,R TPM & Six Sigma : similarities and differences, (2009) [0] Thomas, A And Barton, R And Byard, P, Developing a Six Sigma Maintenance Model, (2008) [] Badli Shah M.Y, Total Productive Maintenance: A Study of Malaysian Automotive SMEs, World Congress on Engineering 202 Vol III [2] William M. Goriwondo, Samson Mhlanga, Tapiwa Kazembe, Optimizing a Production System Using tools of Total Productive Maintenance: Datlabs Pharmaceuticals as a Case Study. Proceedings of the 20 International Conference on Industrial [3] Hemant Singh Rajput, Pratesh Jayaswal, A Total Productive Maintenance (TPM) Approach To Improve Overall Equipment Efficiency, IJMER, Vol.2, Issue.6,( 202) pp ISSN:

38 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک و شبکه عصبی مصنوعی * صیاد نصیري عضو هیي ت علمی دانشگاه صنعتی شریف مهرداد نوري خاجوي تهرانی عضو هیي ت علمی دانشگاه تربیت دبیر شهید رجایی ابوالقاسم اسلامی دانشجوي کارشناسی ارشد دانشگاه شهید تربیت دبیر رجایی بابک تقربی کارشناس ارشد شرکت مگاموتور یادداشت فنی چکیده (تاریخ دریافت: 39/09/05 تاریخ پذیرش: 39//287) هدف از این تحقیق پیش بینی وضعیت عملکردي سیلندرهاي یک موتور احتراق داخلی بر مبناي سیگنالهاي ارتعاشی سیلندر دیگر آن میباشد. ابتدا عدم بروز جرقه بهطور عمدي در موتور خودرو ایجاد شد. سپس سیگنالهاي ارتعاشی موتور ناشی از عیوب مذکور جمع آوري گردید. پس از آن با استفاده از ویژگی آماري ماکزیمم سیگنالهاي معیوب و سالم بردار ویژگی جهت طراحی شبکه عصبی مصنوعی انتخاب شد. در خاتمه شبکه پرسپترون با ساختار :35:2 و کاراي ی 93/8% اراي ه گردید که قادر به تشخیص و طبقه بندي عدم جرقه در سیلندرهاي مجاور بر مبناي دادههاي سیلندر دیگر میباشد. کلیدواژهها: تشخیص عیب موتور احتراق داخلی شبکه عصبی عدم بروز جرقه تبدیل موجک. Fault Detection and Classification of Misfiring at Adjacent Cylinders using Wavelet Transform and Artificial Neural Network S.Nasiri Faculty member of Sharif University of Technology M.Nouri Khajavi Tehrani Faculty member of Shahid Rajaee Teacher Training University A.Eslami MSc Student of Shahid Rajaee Teacher Training University B.Tagharrobi Specialist of Mega motor Company Abstract This research aims to predict operational situation of cylinders of an in-line internal combustion engine based on vibration signals in other cylinders. Initially, misfiring was intentionally created. Then, vibration signals traced by the fault were acquired. Latter, feature vector was selected using maximum statistics feature of faulty and healthy signals in order to design an artificial neural network. Finally, Perceptron Neural Network (PNN) with :35:2 structures of 93.8% efficiency was proposed which is able to detect and classify the fault in the next cylinders based on vibration data in previous cylinders. Keywords: Fault Diagnosis, Internal Combustion Engine, Artificial Neural Network, Misfiring, Wavelet Transform

39 39 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک... مقدمه تکنیکهاي عیب یابی اتوماتیک براي تشخیص عیوب ابتداي ی ماشین آلات به منظور جلوگیري از ضررهاي جانی و مالی افزایش کیفیت و نرخ تولید به کار برده میشوند. موتورهاي احتراق داخلی نیز که بهطور گسترده در وساي ط نقلیه مورد استفاده قرار میگیرند در عیب یابی اتوماتیک توسط تستهاي غیر مخرب مورد توجه فراوان قرار گرفتهاند. در این زمینه در طی سالهاي اخیر تحقیقات زیادي صورت گرفته است. روشهاي مختلفی نیز براي این منظور معرفی شده است که این روشها در حقیقت تکمیل کننده روشهاي تجربی صرف بوده و با استفاده از دنیاي نرم افزار به قدرتمند و هوشمند ساختن عیب یابی کمک شایانی کردهاند. در سال 2004 بوگوس و همکارش[ ] با استفاده از سیگنال هاي ارتعاشی صوتی اگزوز موتور دیزل لوکوموتیو و آنالیز غیرخطی به بررسی عدم احتراق در این موتور پرداختند. در این تحقیق عدم احتراق به وسیله قطع کردن پاشش سوخت شبیه سازي شده و با استفاده از آنالیز غیرخطی سیگنال هاي بدست آمده نتایج خوبی براي تشخیص عدم احتراق در موتور دیزل بدست آمد. در سال 2005 اسبورن و همکارانش[ 2 ] عیب یابی عدم احتراق موتور را با استفاده از تشخیص الگوي آماري اراي ه دادند. در این تحقیق فیلترهاي دیجیتال حوزه زاویه لنگ براي استخراج ویژگی سیگنال سرعت موتور استفاده شده و عدم احتراق در سیلندر موتور مشخص شد. در سال 2006 تینوت و همکارانش[ 3 ] با استفاده از مدل انرژي عدم احتراق در سیلندر موتور احتراق داخلی را بررسی کردند. در این روش که با استفاده از مدل انرژي موتور انجام شده با بررسی مرحله تراکم هر سیلندر و استخراج یک ویژگی بدون بعد عدم احتراق در سیلندر به خوبی تشخیص داده شد. روش پیشنهاد شده اطلاعات مفیدي را براي عیب یابی همزمان موتور در اختیار قرار داد. است. در سال 2007 شیرازي و محجوب[ 4 ] مقاله اي را با عنوان کاربرد تبدیل موجک گسسته در پیش بینی عیوب احتراق موتورهاي احتراق داخلی اراي ه کردند. در این مقاله سیگنالهاي ارتعاشی که بهطور تجربی از یک موتور چهار سیلندر احتراق داخلی گرفته شده بودند با روش میانگین یابی حوزه زمان (TSA) نویزگیري شدند. سپس تبدیل ویولت گسسته براي انتقال سیگنال از حوزه زمان به حوزه زمان فرکانس مورد استفاده قرار گرفت. نتایج نشان داد که تبدیل ویولت گسسته یک ابزار قدرتمند براي تشخیص و عیب یابی نقصهاي احتراق در موتورهاي احتراق داخلی با دینامیک زودگذر در سال 20 جیان مین و همکارانش[ 5 ] با استفاده از مجموعه هاي ناهمگن و شبکه عصبی عدم احتراق موتور را عیب یابی کردند. در این تحقیق به وسیله تست آزمایشگاهی عدم احتراق در موتور شبیه سازي شده و سیگنالهاي ارتعاشی موتور در شرایط متفاوت جمع آوري شد. سیگنال ارتعاشی موتور با توجه به ترتیب احتراق موتور مرتب شده و ویژگیهاي موثر آن محاسبه شدند. در ادامه با استفاده از مجموعههاي ناهمگن داده ها کاهش بعد داده شدند و عمل تشخیص و طبقه بندي توسط شبکه عصبی پس انتشار انجام شده و نتایج قابل توجهی اراي ه شد. در تحقیق حاضر پیش بینی وضعیت عملکردي سیلندرهاي یک موتور احتراق داخلی ردیفی بنزینی بر مبناي سیگنالهاي ارتعاشی یک یا دو سیلندر دیگر آن انجام شد. ابتدا یک موتور احتراق داخلی چهار سیلندر ردیفی بنزینی انتخاب شده و حالت سالم و عیب عدم احتراق سیلندرها در آن به صورت دستی ایجاد گردید و دادههاي تجربی با استفاده از تجهیزات داده برداري کسب شد. در ادامه با استفاده از تبدیل موجک دادهها پیش پردازش شدند. سپس با توجه به حجم دادهها با استفاده از ویژگی آماري ماکزیمم دادهها کاهش حجم پیدا کرده و براي تشخیص به شبکه عصبی داده شدند. در پایان Time Synchronous Averaging

40 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان شبکه پرسپترون با ساختار :35:2 و کاراي ی 93/8% اراي ه گردید و توانست عدم جرقه در سیلندرهاي مجاور را با استفاده از دادههاي یک سیلندر تشخیص داده و طبقه بندي نماید. مسیر پژوهش حاضر: با توجه به آزمایشگاهی و تجربی بودن این تحقیق از الگوریتم شکل براي فرآیند انجام پژوهش استفاده شده است: شکل. الگوریتم مورد استفاده براي عیب یابی بهطور کلی داده برداري براي پایش وضعیت و عیب یابی سیستمها شامل انتخاب سنسورهاي مورد استفاده انتخاب محل قرارگیري سنسور تعیین تعداد سنسورهاي مورد استفاده طراحی بستر تست مناسب براي نصب اجزاي مختلف سیستم و نرم افزار و سخت افزار مناسب براي کسب مجموعه دادهها میباشد. دستگاه جمع آوري سیگنالهاي ارتعاشی که در این تحقیق مورد استفاده قرار گرفته است با داشتن 4 کانالAC 4 کانالDC داراي قابلیتهاي نمایش شکل موج و طیف ارتعاشات در حالت ها و نمونه هاي مختلف آنالیز پیشرفته ارتعاشات بالانس اندازه گیري در حالت استارت یا خاموش ماشین طبقه بندي ماشینهاي مختلف و ذخیره اطلاعات در حافظه داخلی است. در این تحقیق از چهار سنسور تک جهته پیزوالکتریک CTC استفاده شد. هر چهار سنسور به صورت مغناطیسی به بلوکه سیلندر و در مقابل هر کدام از چهار سیلندر موتور بسته شدند. شماتیک سیستم داده برداري در شکل 2 و نحوه قرار گیري سنسور و دستگاه ارتعاش سنج استفاده شده در شکل هاي 3 و 4 نمایش داده شده است:

41 4 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک... بخش داده شکل 2. شماتیک تجهیزات داده برداري استفاده شده برداري تجربی که در شکل 2 نشان داده شده است از قسمتهاي زیر تشکیل شده است:. موتور احتراق داخلی (موتور خودرو پراید) 2. دینامومتر 3. سیستم داده برداري چند کاناله ADASH_A4400 با نرم افزار مربوطه به نام DDS 4. چهار عدد شتاب سنج تاکومتر نوري 5. شکل 3. موتور احتراق داخلی با نمایش محل استقرار سنسور

42 و 4 نگهداري و تعمیرات شمارة 3 پاییز و زمستان 39 فصلنامه ره آورد پژوهش 42 شکل 4. دستگاه آنالایزر مدل ADASH آزمون به این شرح است که ابتدا موتور پس از چند دقیقه کار کردن در شرایط نرمال و رسیدن به دماي نرمال براي نحوة آزمایش آماده شده و شتاب بدنه موتور به وسیله سنسورهاي شتاب سنج نصب شده جمع آوري گردید. هر کدام از انجام دقیقه داده در دور 500 دور بر دقیقه جمع آوري حالتهاي نرمال و معیوب مورد بررسی ایجاد شده و براي هر حالت سه انتخاب این دور موتور به این دلیل انجام شد که این دور دور گذر از حالت دور آرام به شتابگیري و حرکت خودرو شد. میباشد و در تمامی دندهها ناچار به گذر از آن میباشد که این موضوع در پیاده سازي کاربردي نتایج این پژوهش حاي ز اهمیت میباشد. داده ها در مرحله بعد در دستگاه جمع آوري سیگنالهاي ارتعاشی آنالیز شده و نویز موجود در سیگنال ها گرفته شد. سیگنالهاي آنالیز شده با استفاده از نرم افزار موجک آماده شدند. توسط تبدیل موجک: به رایانه شخصی انتقال داده شده و براي پیش پردازش تبدیل موجک یک بازنمایی زمان- فرکانسی ازسیگنال اراي ه میکند که داراي دو ویژگی مهم است: (ال فف) یک وضوح بهینه از سیگنال در دو حوزه زمان و فرکانس فراهم میکند. (ب) مناسب جهت سیگنالهایی که غیر ایستا و یا شبه ایستا میباشند. (مانند سیگنالهاي موتور احتراق داخلی) آن نسبت به تبدیل فوریه براي پایش وضعیت ابزار بر پایه طبیعت سیگنالهاي پایش شده روشهاي موجک و برتريهاي شده اند[ 6 7 و 8 ]. با توجه به ماهیت متغیر و غیر ایستاي سیگنالهاي دریافت شده از موتور و محدودیتهاي تبدیل اراي ه سیگنالها انتخاب شد. انتخاب نوع فوریه در اراي ه بازنمایی مناسب از سیگنالها تبدیل موجک براي پردازش تابع موجک بر داد ها و براي مساي ل گوناگون متفاوت میباشد. انتخاب تابع مادر و سطح تجزیه براي عیب یابی بیشتر بر اساس اساس 3 و خطا بوده و به صورت تجربی تعیین میشود. در عیب یابی و پایش سیستمها توابع دابوچی "N "DB که در آن سعی گرفتهاند[ N مرتبه تابع دابوچی میباشد در مقالات زیادي مورد استفاده قرار 5]. لذا در این تحقیق براي تجزیه 2 DDS از تابع دابوچی در مراجع براي سیگنالهاي ارتعاشی سیگنالهاي ارتعاشی با توجه به استفادههاي قبلی و نیز استفاده زیاد 2 Digital Diagnostic System 3 Daubechy

43 43 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک... موتور و جعبه دنده از تابع دابوچی 5 به عنوان تابع مادر موجک استفاده شده و بر اساس سعی و خطا این تابع در سطح 5 بهترین جواب را اراي ه داده از این رو تابع دابوچی 5 در سطح 5 استفاده شد. در ادامه ویژگی آماري ماکزیمم به عنوان ویژگی موثر براي تشخیص عیوب استفاده شده و در ادامه با انتخاب یک شبکه عصبی کارا و مناسب عدم احتراق سیلندرها تحلیل و بررسی شدند. نمونه یک سیگنال معیوب (حالت عدم احتراق سیلندر ) و سالم در شکل 5 آمده است. شکل 5. مقایسه سیگنال معیوب (a) و سیگنال سالم (b) در حالت عدم احتراق سیلندر با توجه به شکل 6 و مقایسه سیگنالهاي نرمال و خطا براي حالت عدم احتراق سیلندرها نشان می دهد که در حالتی که عدم احتراق در سیلندري اتفاق بیفتد در این صورت کارکرد موتور نامنظم شده و بعضی پیکها بیشتر از حالت نرمال شده و بعضی به شدت افت میکنند که نمایانگر نامنظم کار کردن موتور در این شرایط میباشد. شبکههاي عصبی مصنوعی: شکل 6. مقایسه حالت نرمال با شرایط عدم احتراق در سیلندر 4 شبکههاي عصبی داراي ساختارهاي گوناگونی میباشند که یکی از پرکاربردترین آنها شبکه هاي پیش رونده ) - Feed (Forward میباشد. شبکههاي پرسپترون (Perceptron) چند لایه که کاملا شناخته شده میباشند بیش از 90% کاربردهاي سیستمهاي پایش وضعیت و عیب یابی را به خود اختصاص دادهاند. این شبکهها شامل یک لایه ورودي یک لایه خروجی و تعدادي دلخواه لایه مخفی میباشند. شماتیکی از یک نرون ساده در شکل 7 آمده است[ 9 و 0].

44 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان به منظور بهرهگیري از شبکه عصبی چند لایه شکل 7. نمایش یک نرون مصنوعی ساده MLP از الگوریتم زیر استفاده شده است[ 9 و 0]. انتخاب مقادیر اولیه ضرایب وزنی و آستانهها برابر با اعداد کوچک تصادفی اراي ه وروديها و خروجیهاي مطلوب به شبکه مقادیر خروجی در هر لایه توسط رابطه زیر محاسبه و به لایه بعدي انتقال یافته..2.3 y =F[ w x ] ( ) تنظیم ضرایب وزنی براي لایههاي مختلف به ترتیب از لایه خروجی شروع و به سمت لایههاي عقب توسط رابطه 2 انجام شده است[ 9 و 0]. δ نمایانگر خطاي w (t+)=w (t) +nδ (2) w نشان دهنده ضرایب وزنی از گره i به گره j در زمان n t ضریب بهره و که در این مدل مربوط به الگوي p در گره j است. براي لایههاي خروجی و پنهان از روابط شماره (3) و (4) استفاده گردیده است[ 9 و 0]. δ =ko o t o δ =ko o δ w (3) 4( ) در این تحقیق یک شبکه پرسپترون دو لایه که به صورت شماتیک در شکل 8 نمایش داده شده است مورد استفاده قرار گرفت.

45 45 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک... شکل 8. شماتیک شبکه عصبی مورد استفاده در این پژوهش براي یک حالت عیب و یک حالت نرمال در شرایط دور 500 دور بر دقیقه موتور داده برداري صورت گرفته است. عیوب بررسی شده و ماتریس استفاده شده براي هدف در جدول داده شده است: جدول. ماتریسهاي استفاده شده براي دو حالت بررسی شده ماتریس هدف حالتهاي استفاده شده عدم احتراق در یک سیلندر [ 0] شرایط نرمال در 500 دور در دقیقه [ 0 ] سیگنالهاي ارتعاشی پردازش شده به دو بخش تقسیم گردیدند که 50% از آنها به منظور آموزش شبکه و 50% به منظور تست شبکه مورد استفاده قرار گرفته شد. در نتیجه 6 نمونه یک تایی براي آموزش و 6 نمونه یک تایی براي تست استفاده شد که در مجموع 32 نمونه در اختیار قرار میگیرد. شبکه با تغییر تعداد نرونها در لایه مخفی کاراي ی شبکه بالا میرود ولی افزایش بیش از حد تعداد نرونها در لایه مخفی باعث افزایش حجم محاسبات در شبکه و همچنین دشواري پیاده 4 سازي شبکه در سیستمهاي عملی خواهدشد. طراحی شبکه عصبی به صورت کد نویسی در بسته نرم افزاري متلب انجام شد. شبکه عصبی استفاده شده در این تحقیق در شکل 9 نمایش داده شده است که در آن تابع فعال سازي تانژانت سیگموي ید براي لایه مخفی و تابع خطی براي لایه خروجی استفاده شده است. 4 Matlab Software Package

46 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان شکل 9. شبکه عصبی استفاده شده نمودار بازدهی تشخیص و طبقه بندي آموزش و تست شبکه در شکل هاي 0 و آمده است. با توجه به این دو شکل مشاهده میشود که هر 2 حالت داده شده در مرحله آموزش به درستی تشخیص داده شدهاند و در مرحله تست نیز با کارایی بالا تشخیص داده شدهاند. شکل 0. نمودار کاراي ی تشخیص آموزش شبکه شکل. نمودار کاراي ی تشخیص تست شبکه

47 47 تشخیص و طبقه بندي عدم ایجاد جرقه در سیلندرهاي مجاور با استفاده از تبدیل موجک... 5 در مورد ماتریس اغتشاش که در شکلهاي 0 و آمده است قابل ذکر است که این ماتریس در حقیقت یک جدول طبقه بندي شده براي بررسی حالتهاي تشخیص صحیح و غلط عیوب می باشد. همانطور که در شکل هاي بالا آمده 2 کلاس براي خروجی و 2 کلاس براي هدف وجود دارد که تعداد دادههاي موجود در این کلاس ها به درستی در کلاس خود طبقه بندي شدهاند یعنی دقت آموزش شبکه در طبقه بندي کلاسهاي داده شده 00% و بدون خطا و در تست شبکه 93/8% بوده است. نمایش بازدهی شبکه نیز در شکل 2 نشان داده شده است. همان گونه که ملاحظه میشود با گذشت 3 تکرار شبکه به کمترین میزان خطا رسیده یعنی میزان اختلاف بین ماتریس خروجی و هدف به کمترین مقدار خود رسیده است که نشانگر دقت کار میباشد. شکل 2. نمودار کارایی شبکه با توجه به شکلهاي و 0 2 بازدهی 93/8% براي تست این شبکه بدست آمده و نتایج پیاده سازي شبکه با پارامترهاي مذکور نشان میدهد که این شبکه قادر است عدم بروز جرقه در سیلندر مجاور را در موتور احتراق داخلی به خوبی تشخیص داده و طبقه بندي کند. نتیجه گیري : این در لذا است. استفاده از شبکههاي عصبی مصنوعی در برنامههاي پایش وضعیت و عیب یابی طی سالهاي اخیر روند رو به رشدي داشته شبکههاي از پژوهش به عصبی منظور تشخیص عدم بروز جرقه در سیلندر مجاور با استفاده از سیگنالهاي دریافت شده از سیلندر دیگري استفاده شده است. دادههاي خام ابتدا بوسیله دستگاه ارتعاش سنج ADASH پردازش و حذف نویز شد. سپس با استفاده از تبدیل موجک دادههاي مذکور براي پردازش آماده و ماکزیمم آنها استخراج گردید و به عنوان ورودي به شبکه عصبی اعمال شد. در نهایت یک شبکه کم حجم با ساختار مناسب :35:2 و کاراي ی 93/8% براي تشخیص عدم بروز جرقه در سیلندر مجاور با خطاي کم اراي ه شد. از آنجایی که عدم بروز جرقه تاثیر قابل توجهی در افزایش آلایندگی و آسیب دیدگی موتور احتراق داخلی دارد لذا استفاده از فنون پیشرفته در تشخیص صحیح این عیوب به صورت بلادرنگ و یا در کوتاه مدت پس از بروز عیب میتواند تاثیر به سزایی در کاهش اثرات نامطلوب عیب فوق داشته باشد بهعلاوه از اتلاف زمان و انرژي تکنسینهاي نگهداري و تعمیر خودرو در راستاي تشخیص عیب موتور خودرو جلوگیري میشود. 5 Confusion Matrix

48 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان قدردانی : مولفان قدردانی خود را از آقایان دکتر آزادي مدیر واحد تحقیق و توسعه مهندس حجري مهندس امیدي و مهندس محمدي که در بخش آزمایشگاه همکاري لازم در انجام این تحقیق مبذول فرمودند و همچنین دیگر عزیزان در شرکت مگاموتور به خاطر زحماتشان به این وسیله به عمل میآورند. مراجع [] P. Bogus, J. Merkisz, ''Misfire detection of locomotive diesel engine by non-linear analysis'', Mechanical Systems and Signal Processing 9(2004) [2] A.W. Osburn, T. M. Kostek, M. A. Franchek, ''Residual generation and statistical pattern recognition for engine misfire diagnostics'', Mechanical Systems and Signal Processing 20(2005) [3] F.V. Tinaut, A. Melgar, H. Laget, J. I. Domi nguez, ''Misfire and compression fault detection through the energy model'', Mechanical Systems and Signal Processing 2(2006) [4] F.A. Shirazi, M.J. Mahjoob, ''Application of Discrete Wavelet Transform (DWT) in Combustion Failure Detection of IC Engines'', Proceedings of the 5th International Symposium on image and Signal Processing and Analysis (IEEE) (2007) [5] L. Jianmin, L. Xiaolei, Z. Xiaoming, X. Shiyong, D. Lijun, ''Misfire Diagnosis of Diesel Engine based on Rough Set and Neural Network'', Procedia Engineering 6(20) [6] D. F. Walnut, ''an Introduction to Wavelet Analysis'', Springer, [7] D. B. Percival, A. T. Walden, ''Wavelet Methods for Time Series Analysis'', Cambridge University Press, [8] R. K. Young, ''Wavelet Theory and Its Applications'', Springer, 993. [9] B. D. Ripley, ''Pattern Recognition and Neural Networks'', Cambridge University Press, [0] کیانی علی یار سیستمهاي هوشمند(جلد اول) ویراستار زهرا کیانی انتشارات پویش اندیشه 389

49 محاسبه و تحلیل شاخصOCE در مجتمع فولاد مبارکه * اعظم مهربد دانش آموخته کارشناسی ارشد مهندسی صنایع دکتر سید اکبر نیلی پور طباطبایی استادیار دانشکده مهندسی صنایع دانشگاه صنعتی مالک اشتر یادداشت فنی چکیده (تاریخ دریافت: 39/07/24 تاریخ پذیرش: 39/09/7) امروزه پیچیدگی تجهیزات مستلزم برخورد علمی با نگرش مدرن میباشند. نگهداري و تعمیرات صحیح علمی و برنامهریزي شده با روشهاي نوین مستقیما بر بهرهوري کیفیت هزینههاي مستقیم تولید قابلیت اطمینان و سود آوري اثر میگذارد. سازمانهایی که در تلاش براي رسیدن به سطح عملکرد در مقیاس جهانی هستند بر افزایش اهمیت نقش نگهداري و تعمیرات تاکید میکنند. شاخص اثربخشی کلی نیروي کار نت یک معیار کلیدي و مبنایی براي سنجش میزان اثربخشی نیروي کار نت میباشد. در این تحقیق شاخص ضریب اثربخشی کلی نیروي کار نت در مجتمع فولاد مبارکه ارزیابی شده و ضمن معرفی شاخص ضریب اثربخشی کلی نیروي کار نت روش محاسبه آن اراي ه گردیده است. نتایج بدست آمده از این تحقیق نشان میدهد که میزان اختلاف از سطح جهانی نرخ زمان بهره برداري حدود 3 درصد مثبت نرخ عملکرد حدود 6 درصد منفی میباشد و دلایل این اختلاف همراه با راهکارهاي بهبود آنها آورده شده است. کلیدواژهها: شاخص اثربخشی کلی نیروي کار نت 28 درصد منفی و نرخ کیفیت خدمات اراي ه شده حدود نگهداري و تعمیرات بهره ور فراگیر مجتمع فولاد مبارکه. Evaluation of Overall Craft Effectiveness (OCE) in Mobarakeh Steel Complex Azam Mehrbod MSc. in Industrial Engineering Sayeed Akbar Nilipour Tabatabaee PhD, Faculty Remember, Assistant Professor, Malek e Ashtar University of Technology, Isfahan, Iran Abstract Nowadays due to equipment complexity their optimum management requires a scientific approach. The correct, scientific and planned maintenance with modern techniques, directly affects productivity, quality, direct costs of production, reliability and profitability. Organizations striving to achieve global scale efficiency, emphasize on importance of maintenance. Overall Craft Effectiveness (OCE) is a key metric standard and a basis for assessing the effectiveness of craft. In this paper the Overall Craft Effectiveness index is calculated in Mobarakeh Steel Complex and introduces the Overall Craft Effectiveness and its calculation method. The study results show that differences compared to international class are; the craft utilization rate of about 3 percent positive, craft performance rate of about 28 percent negative and craft quality rate of about 6 percent negative. The reasons for these differences along with strategies for improvement are discussed in the paper. Keywords: OVERALL CRAFT EFFECTIVENESS, TOTAL PRODUCTIVE MAINTENANCE, MOBARAKEH STEEL COMPLEX.. Azam.mehrbod@yahoo.com

50 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان مقدمه. دنیاي رقابتی امروز بسیاري از فعالیتهاي تولیدي را تحت تا ثیر قرارداده است. این تا ثیر شامل ارتباط با فرآیند تولید و ارتباط سیستمهاي تولیدي با سیستمهاي پشتیبانی جانبی و... می باشد. یکی از این سیستمهاي جانبی نگهداري و تعمیرات( تن ( بوده که در بیست سال گذشته شاید بیش از هررشته مدیریتی دیگر دستخوش تغییرات شده است. این تغییرات به علت افزایش قابل توجه تعداد و تنوع تجهیزات بوده که براي مقابله با هجوم تغییرات مدیران همه جا به دنبال رویکردهاي جدید میباشند و از آنجاي یکه همیشه با تحولات عظیم همراه هستند تلاش میکنند از شروعهاي نادرست و عاقبتهاي ناموفق جلوگیري کنند در پی چارچوب راهبردي هستند تا با کمک آن بتوانند تحولات جدید را در الگویی مشترك ترکیب کرده بهطور محسوس ارزیابی نموده و آنهایی را که احتمالا بیشترین ارزش را خواهند داشت بکار گیرند.(زواشکیانی 389 ) پیرو تصمیم شوراي انقلاب در خرداد 58 طرح مجتمع فولاد بندر عباس به منطقه مبارکه واقع در 65 کیلومتري جنوب غربی اصفهان منتقل شد. این مجموعه صنعتی با بیش از 500 هزار تن تجهیزات و سرمایه گذاري 770 میلیارد ریال سرمایه در سال 70 با ظرفیت اسمی 2/4 میلیون تن محصولات فولادي تخت از ضخامت 0/8 تا 6 میلی متر به صورت کلاف ورق گرم و سرد نورد شده راه اندازي شد. در مهرماه همان سال اولین کوره قوس الکتریکی و در دي ماه 7 آخرین خط نورد سرد راه اندازي شد و هر ساله روند تولید افزایش یافت به صورتی که در سال 92 تولید فولاد مبارکه به بیش از 7 میلیون تن میرسد..2 شاخصها همیشه جزء ابزارهاي تصمیم گیري و ارزیابی مدیران بوده و خواهند بود و بدون بکارگیري شاخصها ارزیابی عملکرد طراحی کنترل و توسعه فعالیتهاي نت مشکل خواهد بود. بنابراین میتوان گفت شاخصها ابزار ارزیابی نیروي انسانی تاثیر آنها در تولید و کاهش هزینههاي واحد میباشند. در امر نگهداري و تعمیرات همە عوامل دخیل در کاهش توقفات تجهیزات و روشهاي مناسب توجه به ماشینها بررسی شده و جهت کاهش خرابی آنها برنامهریزي و اقدام میشود. آنچه مورد کم توجهی قرار گرفته بحث نیروي کار نت است که یکی از مهمترین اجزاء تا ثیرگذار بر کیفیت تعمیرات میباشد. از این رو اهمیت محاسبه شاخص اثربخشی کلی نیروي کار نت (OCE) مطرح میگردد. شاخصOCE بر بهبود نت از طریق بهبود اثربخشی و کارآیی نیروي کار تاکید دارد و به حذف اتلافهاي نیروي انسانی میپردازد. اتلافهاي نیروي انسانی عبارتند از اتلاف اداري اتلاف ناشی از حمل ونقل اتلاف ناشی از سازماندهی خط اتلاف ناشی از پشتیبانی و اتلاف ناشی از اندازه گیريها و تنظیمها. (نیلی پور و مهربد 390 ) شاخص اثربخشی کلی نیروي کار نت براي بهبود اثربخشی کلی و بهرهوري بیشتر نیروي کار نت نیاز به بالا بردن کار تخصصی و اندازهگیري و دانستن اینکه در حال حاضر در چه سطحی قرار دارند ضروري میباشد. به ویژه تا مین کنندگان و پیمانکاران قراردادي در زمینه نت به وضوح از نت مبتنی بر سودآوري پشتیبانی کرده و آن را به عنوان یک فرصت شغلی پرمنفعت شناخته اند. شاخص OCE جهت محاسبه اثربخشی کلی نیروي کار نت مورد استفاده قرار میگیرد. مولفه هايOCE مشابه مولفه هاي 2 OEE براي )Overall Craft Effectiveness 2 ) Overall Equipment Effectiveness

51 5 محاسبه و تحلیل شاخصOCE در مجتمع فولاد مبارکه محاسبه اثربخشی کلی تجهیزات میباشد هر دو داراي سه عامل کلیدي عامل اثربخشی کاراي ی و کیفیت می باشند. (پیترز 2003) جدول. معادل عوامل OEE در OCE اثر بخشی کلی تجهیزات (OEE) اثر بخشی کلی نیروي کار نت (OCE) عوامل OCE و OEE اثر بخشی 3. زمان بهرهبرداري یا دسترسی تجهیز( A ) 4. زمان بهرهبرداري نیروي کار نت (CU) کاراي ی 5 2.عملکرد تجهیز( P ) 6 2. عملکرد نیروي کار نت (CP) کیفیت 7 3. کیفیت خروجی تجهیز( Q ) 8 3. کیفیت خدمات نیروي کار نت (CSQ) 3. معرفی مولفههاي OCE و محاسبه آن در فولاد مبارکه 3-) بهرهبرداري نیروي کار نت( CU ): زمان بهرهبرداري نیروي کار یا زمان خالص کاري به اندازه گیري میزان کاراي ی در برنامهریزي و زمانبندي نیروي کار نت مربوط می شود که از طریق آن میتوان ارزش افزوده ایجاد کرده و تولید ادامه یابد. برنامه ریزي و زمانبندي مو ثر کارها با روش مناسب کلیدي براي بهبود زمان مفید کاري و نرخ بهرهبرداري می باشد. براي محاسبه زمان بهرهبرداي نیروي کارنت ابتدا کل زمانهایی که نیروهاي نت اعم از روزکار و شیفت در سازمان حضور دارند و جزء زمان کاري آنها به شمار میآید از رابطه ( )محاسبه گردیده است. زمان تقویمی = (تعداد روزهاي کاري *تعداد نفرات نیروي کار نت*ساعات کاري در روز) ( ) به این ترتیب زمان تقویمی یا همان مقدار ساعات واگذار شده به نیروي کار نت براي فروردین اردیبهشت خرداد و تیر به ترتیب نفر/ساعت میباشد. در مرحله بعد اطلاعات مربوط به زمان نماز ناهار آموزش مرخصی پرسنل و زمان تاخیرات فردي (بررسی مدارك فنی زمان نقل و انتقال زمان حمل و نقل اضافه زمان تاخیرات مکانیزم) زمان تاخیرات سیستمی(زمان تاخیرات جهت رسیدن قطعات یدکی عدم وجود ابزار سالم انتظار براي اینکه تیمهاي دیگر سهم کار خود را انجام دهند تاخیرات اداري تاخیرات جانبی) زمان کاري غیر مستقیم ) تمیزکاري ایمن سازي) بهطور جداگانه جمع آوري میگردد. در مجتمع فولاد مبارکه برخی از این زمانها بهطور ثبت در سیستم موجود بوده و برخی با نظر کارشناسان با تجربه و برحسب تجارب آنها تخمین زده شده است که بهطور مثال در فروردین ماه بر حسب نفر/ساعت زمان نماز و ناهار( 988 ) آموزش( 82 ) مرخصی پرسنل( 4736 ) و زمان تاخیرات فردي( 3028 ) زمان تاخیرات سیستمی( 4 ) زمان کاري غیر مستقیم (75) میباشد و داریم 3 ) Asset Availability/Utilization 4 ) Craft Utilization or Pure Wrench Time 5 ) Asset Performance 6 ) Craft Performance 7 ) Quality of Asset s Output 8 ) Craft Service Quality

52 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان (2) (زمان کاري غیرمستقیم+زمان غیرکاري اضطراري+زمان تاخیرات+زمان برنامه ریزي شده) - زمان تقویمی= زمان کاري مستقیم = زمان کاري مستقیم Cu = ( ) = * 00 = % 62/ 23 (3) و در اردیبهشت ماه 62/89 درصد در خردادماه 63/ درصد درتیرماه 6/32 درصد می باشد. زمان کاري مستقیم زمان تقویمی 3-2) نرخ عملکرد نیروي کار نت( CP ): این مو لفه بیانگر چگونگی عملکرد واقعی نیروي کار نت در مقایسه با برنامه تنظیم شده و استانداردهاي کاري میباشد. این استانداردها طی جلسات متعدد با حضور کارشناسان سرپرستان برنامه ریزان و تعمیرکاران با تجربه و برحسب تجارب آنها تخمین زده می شوند. در این تحقیق نرخ عملکرد نیروي کار براي تعمیرات برنامهریزي شده اضطراري و پیشگیرانه بطور مجزا محاسبه شده است و دادههاي مورد نیاز در سیستم MIS فولاد موجود می باشد بهطور مثال براي فروردین ماه داریم =(برايPM ) CP = زمان برنامه ریزي شده زمان حقیقی مورد نیاز = 89/5 (4) =(براي برنامه ریزي شده) CP = زمان برنامه ریزي شده زمان حقیقی مورد نیاز / = 24/7 =(براي تعمیرات اضطراري) CP = زمان برنامه ریزي شده زمان حقیقی مورد نیاز = 59/2 و نهایتا از آنها میانگین وزنی گرفته شده است. بنابراین براي فروردین اردیبهشت خرداد و تیر به ترتیب %5/52 - %80/38- %63/98 %79/47- می باشد. 3-3) نرخ کیفیت خدمات نیروي کار نت :(CSQ) این مو لفه شامل کیفیت واقعی کار یعنی تعداد کارهاي واگذار شده به نیروي کار منهاي تعداد کارهاي برگشتی براي واحد نگهداري و تعمیرات جهت تعمیرات مجدد به تعداد کل کارهاي واگذار شده به نیروهاي نت میشود. برگشت کار به واحد نت میتواند ناشی از اشتباه در عیب یابی و رفع عیب احتمال صدمه زدن به اجزایی از ماشین در حین فرآیند تعمیر یا ناشی از کیفیت نامطلوب قطعات یدکی باشد. در این تحقیق براي محاسبه کیفیت خدمات نیروي کار نت با توافق کارشناسان مقرر گردید 60 درصد از مولفه کیفیت از رابطه بالا و 40 درصد باقیمانده به دو پرسشنامه (براي پرسنل تولید و پرسنل دفتر برنامه ریزي تعمیرات طراحی گردیده) اختصاص داده شود. براي محاسبه بخش اول که 60 درصد نرخ کیفیت خدمات را به خود اختصاص داده تعداد کارهاي واگذار شده تعداد کارهاي برگشتی تعداد کارهاي واگذار شده CSQ = = = 59/5 (5) و به همین طریق براي اردیبهشت خرداد و تیر به ترتیب 58/ بدست آمده است. براي محاسبه بخش دوم که 40 درصد را به خود اختصاص داده از پرسشنامهها استفاده شده و جهت تحلیل امتیاز حاصله ابتدا قابلیت اطمینان پرسشنامهها جداگانه محاسبه شده و براي تک تک سوالات بااستفاده از نرم افزارSPSS آزمونt گرفته و در نهایت عدد کلی محاسبه شده براي دو پرسشنامه برابر 29/67 می باشد. جوابهاي نهایی محاسبه شده کیفیت خدمات براي چهار ماه فروردین اردیبهشت خرداد و تیر به ترتیب 88/82 88/ 89/67 89/67 میباشد.

53 53 محاسبه و تحلیل شاخصOCE در مجتمع فولاد مبارکه و در نهایت مولفههاي بهرهبرداري عملکرد و کیفیت خدمات نیروي کار در هم ضرب میگردد: ب( هرهبرداري نیروي کار نت %) * (عملکرد نیروي کار نت %) * (کیفیت خدمات نیروي کار نت%) = اثر بخشی نیروي کار نت OCE = %CU * %CP * % CSQ (6) به این ترتیب دادههاي محاسبه شده در رابطه بالا قرار گرفته و شاخص اثربخشی کلی نیروي کار نت براي چهار ماه حاصل می گردد و جوابهاي نهایی در جدول شماره (2) آورده شده است. جدول 2. شاخص اثربخشی کلی نیروي کار نت شاخص OCE زمان زمان بهرهبرداري عملکرد نیروي کار نت کیفیت خدمات نیروي کار نت( CSQ ) (CP) (CU) % 3 / 9 88 / 82 % 5/52 %62/23 فروردین % 37 / 6 89 / 67 % 63/98 %62/89 اردیبهشت % 33 / 9 89 / 67 % 80/38 %63/ خرداد % 33 / 8 88 / % 79/47 %6/32 تیر 3-4. ترازیابی شاخص OCE ازآنجاي یکه شاخصOCE مفهوم جدیدي در سیستمهاي نت میباشد لذا دادههاي کاربردي اندکی در این زمینه وجود دارد. جدول شماره ( 3 )که از طرف انستیتو تعالی نت معرفی شده دامنه مولفه هاي OCE و مقدار محاسبه شده OCE بر حسب آن دادهها را نشان میدهد: (پیترز 2003 ) جدول 3. دامنه مولفه هاي OCE بر حسب کلاس جهانی مولفه شاخص ضعیف دامنه متوسط خوب %70 %50 %30 نرخ بهرهبرداري نیروي کار نت (%CU) %95 %90 نرخ عملکرد نیروي کار نت (%CP) کمتر از %80 %98 %95 نرخ کیفیت خدمات نت (%CSQ) کمتر از %90 %65 %43 %22 مقدار شاخص OCE میزان اختلاف نرخ زمان بهرهبرداري حدود 3 درصد مثبت نرخ عملکرد حدود 28 درصد منفی و نرخ کیفیت خدمات اراي ه شده حدود 6 درصد منفی میباشد. و از آنجاي یکه براي شاخص اثربخشی کلی نیروي کار نت 65% امتیاز خوبی

54 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان %35 محسوب میگردد و این شاخص در مجتمع فولاد مبارکه بطور متوسط محاسبه گردید میتوان گفت در سطح متوسط قرار دارد. 4. روش تحقیق: روش تحقیق پژوهش حاضر داراي هدف کاربردي ماهیت و روش همبستگی میباشد. ادبیات تحقیق به صورت کتابخانهاي و گردآوري اطلاعات از طریق میدانی انجام گرفته است. در این تحقیق دادههاي مورد نیاز از اطلاعات موجود در سیستم MIS و اطلاعات مکتوب در سیستم نت فولاد مبارکه و مصاحبه با کارشناسان واحد نت دفتر فنی و نیروهاي تولید گردآوري شده است. همچنین براي محاسبه مولفه کیفیت خدمات نیروي کار از پرسنل تولید و دفتر فنی برنامهریزي تعمیرات نظر سنجی صورت گرفته است. به دلیل اینکه در این تحقیق از اطلاعات و واقعیتهاي موجود و همچنین از مستندات معتبر استفاده شده است از روایی تجربی برخوردار میباشد. در این پژوهش براي تجزیه و تحلیل دادههاي آماري و پاسخ پرسشنامهها از نمودار کنترلی پارتو و علت و معلولی و آزمون همبستگی در نرم افزارهاي SPSS و Minitab استفاده گردیده است. 5. قلمرو مکانی تحقیق علت ایجاد واحدي به نام انباشت و برداشت در فولاد مبارکه یکنواخت نبودن ترکیب سنگ آهن ورودي به واحدها میباشد و لازم است با ایجاد امکان مخلوط سازي محمولههاي مختلف شرایطی به وجود آورد که بتوان شارژ تقریبا یکنواختی براي ارسال به واحد گندله سازي به وجود آورد. تاریخچهي اجرایی خاصی در زمینهOCE در فولاد مبارکه وهمچنین واحد انباشت و برداشت وجود ندارد. ازطرف دیگر با توجه به این نکته که این شاخص وسیلهاي براي سنجش بهرهوري و توسعه اثربخشی نیروي کار نت با استفاده از ارزش افزوده نیروي انسانی نت متمرکز است و وسیلهاي براي مقایسه بهرهوري نیروي کار نت نسبت به شرکتهاي دیگر وهمچنین امتیازدهی به عملکرد واحد نت میباشد ارزیابی این شاخص از اهمیت والایی برخوردار میباشد. 6.تجزیه و تحلیل دادهها: در این تحقیق به منظور بررسی عوامل تاثیرگذار بر میزان اثربخشی کلی نیروي کار سه سوال اصلی مطرح میگردد 6. - زمان بهرهبرداري نیروي کار نت تا چه اندازه بر اثربخشی کلی نیروي کار نت اثر گذار است با در نظر گرفتن اینکه دادههاي هر دو پیوسته میباشد در ابتدا تست نرمال بودن براي دادهها انجام و براي بدست آوردن ارتباط بین نرخ زمان بهرهبرداري نیروي کار و ضریب اثربخشی نیروي کار نت از ضریب همبستگی پیرسون بین زمان بهرهبرداري نیروي کار نت و اثربخشی کلی نیروي کار نت در واحد انباشت و برداشت برابر 0/499 میباشد و میتوان این- گونه استنباط نمود که از همبستگی نسبتا بالا و همسویی برخوردار میباشد. با بررسی دقیق عوامل تاثیرگذار بر زمان بهرهبرداري نیروي کار نت در واحد انباشت و برداشت بیشترین تاثیر به ترتیب به تاخیرات فردي(بررسی مدارك فنی زمان نقل و انتقال زمان حمل و نقل اضافه تاخیرات مکانیزم) بهطور متوسط حدود 67/07 درصد از کل زمان اتلافات را به خود اختصاص داده زمانهاي برنامهریزي شده(مرخصی آموزش نهار و نماز)

55 55 محاسبه و تحلیل شاخصOCE در مجتمع فولاد مبارکه سیستمی تمیزکاري و ایمن سازي تجهیزات بهطور متوسط حدود 29/5 درصد از کل زمان اتلافات و مابقی به تاخیرات اختصاص یافتهاند. زمان بهرهبرداري نیروي کار نت شکل. نمودار علت و معلولی عوامل تاثیر گذار بر عوامل تاثیر گذار بر زمان بهرهبرداري نیروي کار نت طبق آمار به دست آمده به ترتیب عبارتند از تاخیر جهت رسیدن قطعات یدکی: زمان اتلاف شده از دستور تعمیرات تا زمان تحویل قطعات یدکی به تعمیرکاران. تعمیرات نیازدارد اعزام شده حین تعمیرات متوجه تاخیرات ناشی از عدم وجود ابزارسالم: نیروهاي نت به واحدي که اتلاف شده در این حین در این دسته قرار میگیرد. می شوند ابزارهاي موردنیاز از دقت کافی برخوردار نیستند زمان تاخیرات اداري: در واحد انباشت و برداشت فولاد مبارکه قسمتی به نام کاردامپر وجود دارد که براي انجام تعمیرات صدور مجوز در دسته تاخیرات اداري قرار میگیرد. در این قسمت به مجوز نیاز میباشد لذا زمان اتلاف شده جهت تاخیرات جانبی: در واحد فوق براي تعمیرات بعضی از قسمتها نیاز به داربست و اسکافلد میباشد و زمان اتلاف شده جهت نصب آنها در این دسته قرار میگیرد. انتظار براي اینکه تیمهاي دیگر سهم کار خود را انجام دهند: در بعضی تعمیرات نیروهاي کار نت برقکار باید منتظر بمانند تا نیروهاي مکانیک سهم کار خود را انجام دهند و یا بلعکس به این ترتیب با اینکه همه نیروها در محل تعمیرات حضور دارند ولی عملا کار تعمیرات انجام نمیدهند. تاخیرات مکانیزم: در برخی از تعمیرات به وجود جرثقیل نیاز میباشد و زمان اتلاف شده جهت حضور آن در واحد مورد نظر در این دسته قرار میگیرد. زمان نقل و انتقال: زمان صرف شده جهت انتقال نیروهاي و وسایل آنها به محل تعمیرات گفته میشود. تعمیراتی فنی تجهیزات حین تعمیر میباشد لذا زمان تلف بررسی مدارك فنی: در بعضی از تعمیرات نیاز به بررسی مدارك شده در این حین جزء این دسته قرار میگیرد. اتلاف زمانی ناشی از تمیزکاري: فاصله زمانی از اعلام تعمیرات تا تمیزکاري واحدي که به تعمیرات نیاز دارد از تعمیرات گفته میشود. هرگونه آلودگی توسط نظافت صنعتی وآماده ساختن آن براي انجام ایمنی در واحدي که به تعمیرات نیاز دارد. اتلاف زمانی ناشی از ایمن سازي: زمان صرف شده براي اجراي نکات نرخ عملکرد نیروي کار نت تا چه اندازه بر اثربخشی کلی نیروي کار نت اثر گذار است بودن دادهها از ضریب همبستگی پیرسون استفاده با توجه به این نکته که هر دو داده پیوسته میباشند پس از تست نرمال میشود. مقدار ضریب همبستگی پیرسون برابر 95/ یم 0 استنباط میگردد که همبستگی قوي و همسویی باشد و اینگونه

56 فصلنامه ره آورد پژوهش نگهداري و تعمیرات شمارة 3 پاییز و زمستان دارند. همچنین آزمون رگرسیون مشخص میکند که همبستگی بالایی بین نرخ عملکرد و ضریب اثربخشی کلی نیروي کار می باشد. همچنین نمودار کنترلی نرخ عملکرد نیروي کار در بازه کلاس جهانی نشان می دهد که نرخ عملکرد نیروي کار در مقیاس کلاس جهانی از حد قابل قبول کمتر بوده ولی در ماههایی که تعمیرات اضطراري وجود ندارد وضعیت عملکرد بهتر میباشد و در نهایت معادله رگرسیون OCE = PERFORMANCE برازش گردید. 6-3.نرخ کیفیت خدمات نیروي کار نت تا چه اندازه بر اثربخشی کلی نیروي کار نت اثر گذار است در این مرحله لازم بوده کیفیت خدمات اراي ه شده توسط نیروهاي کار محاسبه گردد که طبق روش محاسبه باید تعداد کارهایی که بهطور کامل و صحیح اراي ه شده به تعداد کارهاي واگذار شده به نیروهاي نت تقسیم گردد اما در این تحقیق بنا به اتفاق نظر اساتید و همچنین کارشناسان و خبرگان آن صنعت بخشی از کیفیت خدمات به نظرسنجی از نیروهایی که مستقیما با خدمات اراي ه شده توسط نیروهاي نت در ارتباط میباشند اختصاص داده شده است. براي تحلیل دوباره کاريهاي به دست آمده از لیست تعمیرات واحد انباشت و برداشت با در نظر گرفتن اینکه دادههاي هر دو پیوسته میباشد تست نرمال بودن به عمل آمده و ضریب همبستگی پیرسون برابر 0/63 محاسبه گردیده و اینگونه استنباط میگردد که ضریب اثربخشی کلی نیروي کار و نرخ کیفیت خدمات حاصل از دوباره کاريهاي خدمات نیروهاي کار نت همبستگی نسبتا بالا و همسویی دارند و درنهایت معادله رگرسیون OCE برازش گردید. و = CSQ براي تحلیل پرسشنامهها ابتدا قابلیت اطمینان هر یک از پرسشنامهها بهطور جداگانه محاسبه شده و پایایی پرسشنامه نظرسنجی از نیروي کار تولید بر اساس ضریب آلفاي کرونباخ برابر با 0/7965 و پایایی پرسشنامه نظرسنجی از پرسنل دفتر فنی برنامهریزي بر اساس ضریب آلفاي کرونباخ برابر با 0/707 محاسبه شده است. همچنین از توزیع t به عنوان آماره آزمون وبراي تک تک سوالات با استفاده از نرم افزار SPSS آزمون t گرفته شده و در نهایت امتیاز کلی براي دو پرسشنامه برابر 29/67 محاسبه گردیده است. 7. بحث و نتیجه گیري با توجه به تجزیه و تحلیلهاي انجام شده بر روي اطلاعات بدست آمده اهداف محقق شده به شرح زیر میباشند: 7-. نرخ زمان بهرهبرداري نیروي کار نت در مجتمع فولاد مبارکه بهطور دقیق محاسبه شده و با کلاس جهانی مقایسه شده است این مقدار بهطور متوسط % 63 محاسبه گردیده که حدود 3 درصد مثبت با استانداد جهانی فاصله دارد. حدود 48 درصد از تعمیرات برنامهریزي شده به علت آماده نبودن خط یا کافی نبودن زمان کلا انجام نشده و یا بطور ناقص انجام شده است که با اراي ه برنامهریزي و زمانبندي بهتر میتوان از زمان نیروها بهطور مفیدتر استفاده گردد نرخ عملکرد نیروي کار نت در مجتمع فولاد مبارکه بهطور کامل تحقق یافته که بهطور متوسط 6/75 درصد بوده و با کلاس جهانی مقایسه شده که حدود 28 درصد با استاندارد جهانی فاصله دارد. برگزاري دورههاي آموزشی جهت بالا بردن دانش فنی نیروهاي نت میتوان تاثیر بسزایی در بالا بردن عملکرد نیروي نت ایجاد کرد نرخ کیفیت خدمات نیروي کار نت در مجتمع فولاد مبارکه بهطور کامل تحقق یافته که بطور متوسط 89/ درصد محاسبه گردیده است و با کلاس جهانی مقایسه شده که حدود 6 درصد منفی با استانداد جهانی فاصله دارد.

57 57 محاسبه و تحلیل شاخصOCE در مجتمع فولاد مبارکه 7-5. پیشنهاد موارد اطلاعاتی مورد نیاز جهت محاسبه آسان و داي می شاخص OCE به واحد انباشت و برداشت که بهطور کامل تحقق یافته و در این راستا سعی گردید که دسته بندي آیتم هاي مورد نیاز طبق فرمت شاخص OEE انجام پذیرد. 8. محدودیتهاي پژوهش: بسیاري از اطلاعات مورد نیاز در سیستم موجود نبوده و نیروهاي واحد انباشت و برداشت ملزم شدند طی مدت تحقیق اطلاعات را به صورت دستی ثبت کنند که جمع آوري برخی از این اطلاعات بسیار سخت و وقت گیر بوده و گاهی نیاز بوده از دانش و تجربه کارشناسان واحد مربوطه آیتم ها تخمین زده شود. این فرضیات مانند تاخیرات مکانیزم که با فرض یک روز در ماه زمان حمل و نقل اضافه با فرض یک ساعت در روز براي هریک از نیروها تاخیرات جهت رسیدن قطعات یدکی که با فرض پنج مورد در ماه و هر بار دو ساعت تاخیر جهت نبودن ابزار سالم با فرض دو مورد در ماه و هر بار دو ساعت. عدم محاسبه شاخص OCE در سازمان دیگر لذا نمیتوان نتایج حاصله را با سازمانهاي دیگر مقایسه نمود. از آنجاي یکه براي محاسبه بخشی از مولفه کیفیت خدمات نیروهاي کار نت به پرسشنامه اختصاص داده شده است ولی به علت نداشتن اطلاعات کافی بخش عظیمی از زمان تحقیق به شناخت و شناسایی آیتم هاي کلیدي صرف گردید تا پرسشنامهها طراحی گردد. لذا پرسشنامهها در یک نوبت توزیع گردیده و امتیاز محاسبه شده براي چهار ماه لحاظ گردید ولی براي محاسبهي دورهاي باید پرسشنامهها در آخر هر ماه بین نیروها توزیع و امتیاز محاسبه گردد فهرست منابع : زواشکیانی علی"نگهداري و تعمیرات مبتنی بر قابلیت اطمینان" ویرایش دوم انتشارات آریانا قلم 389. نیلی پور طباطبایی سید اکبر و مهربد اعظم" طراحی مدل تا ثیر سیستم CMMS بر ارتقاء شاخص "OCE هفتمین کنفرانس ملی نگهداري و تعمیرات 390. [] [2] [3] حاج شیر محمدي علی" نگهداري و تعمیرات ) تن ( بهره ور فراگیر( TPM )" اصفهان اردکان چاپ سوم. رستمیان هوشنگ"نگهداري و تعمیرات بهره ور" تهران انتشارات نوین پژوهش 386. فرهادیان بابک وجوانبخت مجتبی "نگاهی به نظام TPMو جایگاه شاخص OEE در نگهداري و تعمیرات" چاپ اول انتشارات ارکان دانش 387. [4] [5] [6] Peters, R, Overall Craft Effectiveness (OCE),The Maintenance Excellence Institute, [7] Telgerdi, A, Migration from CMMS to GIS Improves OCE Factor for Gas Utility,200.

58

59 42/E Monitoring Dependent Key Performance Indicators in Maintenance: An... Autocorrelation Function for Standardized Residuals (with 5% significance limits for the autocorrelations) Autocorrelation Lag Figure A.2. Autocorrelation function plot for standardized residuals Figure A.3 indicates that residuals have a fairly constant variance. Versus Fits (response is MTTR) 2 Standardized Residual Fitted Value Figure A.3. Residuals versus fits for MTTR

60 Advancements in Maintenance Engineering Journal 4/E Appendix. Checking regression assumptions Here, we check the assumptions associated with the final regression equation obtained in Table 3. All assumptions in regression models can be checked by analyzing residuals. Residuals should have the following properties:. The probability distribution of residuals is normal whose mean is 0; that is, (ε) =0. 2. The standard deviation of is σ ε, which is a constant regardless of the value of the independent variable,. 3. The residuals are uncorrelated. Figure A. is depicted after fitting regression line of MTTR on delay duration and indicates that residuals follow normal distribution. Probability Plot of Standardized Residuals Normal Percent Mean StDev.02 N 26 AD P-Value Standardized Residuals 2 3 Figure A.. Normal probability plot of standard residuals Fig. 7. shows that residuals are distributed randomly and independently. Additionally, Durbin-Watson statistic which is equal to.7849, indicates residuals do not follow a firstorder autoregressive model.

61 40/E Monitoring Dependent Key Performance Indicators in Maintenance: An... [] Panagiotidou S, Nenes G. An economically designed integrated quality and maintenance model using an adaptive Shewhart chart. Reliability Engineering and System Safety 2009; 94: [2] Panagiotidou S, Tagaras G. Statistical process control and condition-based maintenance: a meaningful relationship through data sharing. Production and Operations Management 200; 9(2): [3] Sulek J.M, Marucheck A, Lind M.R. Measuring performance in multistage service operations: an application of cause selecting control charts. Journal of Operations Management 2006; 24(5); [4] Yerel S, Ankara H, Konuk A, Ozdag H. Preventive maintenance policy supported by a quality control chart and Kolmogorov-Smirov Tests: EmetColemanite Mineral Processing Plant. Turkey, Minerals and Metallurgical Processing 2007; 24(3): [5] Yeung T. G., Cassady C. R. and Schneider K. Simultaneous optimization of Xbar control chart and age-based preventive maintenance policies under an economic objective. IIE Transactions 2008; 40: [6] Zhou W, Zhu G. Economic design of integrated model of control chart and maintenance management. Mathematical and Computer Modeling 2008; 47: [7] Dipaola P.P. Use of correlation in quality control. Industrial Quality Control 945; 2(); 0-4. [8] Mandel B.J. The regression control chart. Journal of Quality Technology 969; (), 9. [9] Wade M, Woodall W. A review and analysis of cause selecting control charts. Journal of Quality Technology 993; 25 (30), 6 69.

62 Advancements in Maintenance Engineering Journal 39/E Managers need meaningful and timely information to indentify and correct quality problems as they occur. The implementation of CMMS improved the manager`s ability to use cause selecting control chart in this case. CMMS facilitates data gathering in all stages of maintenance operations. This helps maintenance managers gain better access to disaggregated data than before. In this study, the use of aggregated data to evaluate indicator trend could reveal hidden problems of the effective parameters. This situation is analogous to automated assembly processes in manufacturing where the use of sensor technology and computer aided in-line inspection allow more data concerning product quality to be collected at all stages of the manufacturing process. This research has revealed cause selecting control chart potential value in maintenance management. Since the control chart is based on statistical estimation, it is possible to use different KPIs. The extension of this approach can be supposed to involve monitoring of multivariate maintenance KPIs, particularly when data follow time-series models and are not independently distributed. Making use of the feedback provided by the monitoring system to develop a maintenance improvement decision support system illuminates our future research direction. References [] Krajewski, L. J, Ritzman, L. P., and Malhotra, M. K. (2009). Operations Management: Processes and Value Chains. 9th ed. New York: Pearson. [2] Xie M, Goh T.N, and Ranjan P. Some effective control chart procedures for reliability monitoring, Reliability Engineering and System Safety 2002; 77: [3] Zhang G. A new diagnosis theory with two kinds of quality.world Quality Congress Transactions. American Society for Quality Control 989; [4] Ben-Daya M. Integrated production maintenance and quality model for imperfect processes. IIE Transactions 999; 3: [5] Ben-Daya M, Makhdoum M. Production and quality model under various preventive maintenance policies. Journal of the Operational Research Society 998; 49(8): [6] Ben-Daya M. The economic production lot-sizing problem with imperfect production processes and imperfect maintenance. International Journal of Production Economics 2002; 76: [7] Cassady C. R, Bowden R. O, Liew L, Pohl E. A. Combining preventive maintenance and statistical process control: a preliminary investigation. IIE Transactions 2000; 32: [8] Chan L. Design of inspection and maintenance models based on the CCC-chart. Proceedings Annual Reliability and Maintainability Symposium [9] Khoo M. B. C, Xie M. A study of time-between-events control chart for the monitoring of regularly maintained systems, Quality and Reliability Engineering International 2009; 25: [0] Lam K, Rahim M. A. A senility analysis of an integrated model for joint determination of economic design of X-control charts, economic production quantity and production run length for a deterioration production system. Quality and Reliability Engineering International 2002; 8:

63 38/E Monitoring Dependent Key Performance Indicators in Maintenance: An... delay time. As shown here, the out-of-control points can have been differentiated using control limits alongside the center line, that is, the regression line. As mentioned before, assumptions of a linear regression analysis should be validated when one needs to use prediction residuals for process monitoring. We noticed main three assumptions regarding the distribution of residuals as well as their independency. The adequacy checking report is given in the Appendix. Figure 8. Control limits of the cause selecting control chart can be shown alongside the regression line. The dashed line indicates warning limits, and the ellipse is the 99.73% bivariate in-control area which signals four out-of-control data identified in this section. It is worth mentioning that using prediction limits was emphasized by Wade and Woodall9 instead of the limits calculated on the basis of the average of residual moving ranges. They showed that prediction limits preserve the false-alarm rate against changes in the initial sample size and performs slightly better in detecting shifts in the regression line parameters. 5. Conclusions and recommendations for future research The results obtained and discussed in this paper provide insight into the exploiting of the cause selecting control chart as a monitoring tool to control dependent KPIs in maintenance. The case study revealed that independent analysis of a dependent KPI may lead to misleading conclusions which in turn entails erroneous improvement investment. The cause selecting control chart revealed that MTTR trend was experiencing unnatural variation and required management attention for problem resolution. It should be noticed that cause-selecting control chart methodology can only be helpful in identifying problem areas and maintenance manager should seek the most effective ways to solve the problem.

64 Advancements in Maintenance Engineering Journal 37/E iteration, after omitting the respective out-of-control data, the regression equation is recalculated leading to an improvement in terms of two criteria, adjusted R and MSE. After omitting three observations, final cause selecting control chart is depicted in Figure 7. I-MR Chart of Standardized Residuals 2 UCL=3.0 Individual Value _ X=-0.00 LCL= Observation Moving Range UCL=3.702 MR= LCL= Observation Figure 7. Cause selecting chart of standardized residuals obtained from regression of MTTR on delay time in the last iteration (after removing all out-of-control data which are points 3, 4, and 22) To underline the importance of the design approach used in this section, Figure 7 indicates that the situation of MTTR is worse than it seemed first by Figures and 2. There are three out-of-control signals on the residual I-MR chart which have been hidden so far. As a matter of fact, the CSC approach has enabled us to examine the true variation of MTTR data. 4. Discussion The preceding discussion suggests that a maintenance manager can gain better control of the dependent maintenance KPI (MTTR) by first determining its relationship with effective parameters and then adopting a cause selecting control chart to identify special causes of MTTR variation using prediction residuals. In addition, ignoring the functional relationship between KPIs and the effective parameters, a maintenance manager may reach misleading conclusions. In relation to the case study of this paper, three out-of-control observations unobserved via a common Shewhart X-MR chart for MTTR, namely, points 3, 4, and 22 were uncovered by cause-selecting control chart approach for MTTR residuals. This can be illustrated by Figure 8 which shows how the average MTTR varies in concordance with

65 36/E Monitoring Dependent Key Performance Indicators in Maintenance: An... I-MR Chart of Delay Individual Value UCL=.623 _ X= LCL= Observation UCL=.367 Moving Range MR= LCL= Observation Figure 5.I-MR chart of delay time (the independent variable) I-MR Chart of Delay.5 UCL=.497 Individual Value _ X= LCL= Observation UCL=.254 Moving Range MR= LCL= Observation Figure 6. I-MR chart of delay after removing observation27 In the consecutive steps reported in Table 3, three out-of-control observations, namely data points 22, 3, and 4 are identified through iterative analysis of MTTR residuals which were not diagnosed in the traditional Shewhart control chart established first for MTTR data. These observations are affected by other effective factors except delay time. In each

66 Advancements in Maintenance Engineering Journal 35/E Start Input: X=delay time Y= MTTR MR chart for X: Individual chart for X: In-control Yes No Regression analysis of Y on X:. Identifying out-ofcontrol observations, Root-cause analysis and corrective action Omitting out-of-control data, recalculation of Regression residuals:. Standardized residuals: MR chart for residuals: Individual chart for residuals: In-control Yes No Identifying out-ofcontrol observations, Root-cause analysis and corrective action Omitting out-of-control data, recalculation of regression equation End Figure 4. Cause selecting control chart approach

67 34/E Monitoring Dependent Key Performance Indicators in Maintenance: An... specific design approach shown in Figure 4 is used. This approach contains two iterative operations. First, a set of I-MR charts is established for the independent variable that is delay time to access to spare parts. Next, we use regression residuals to draw another set of I-MR control charts which is in fact aimed at monitoring MTTR after elimination of delay time influence. In each iteration of the second part, the regression line is also modified. This operation stops as soon as the in-control conditions are obtained for the residual control charts. Figure 5 depicts a set of I-MR charts for the delay duration to access to spare parts. As expected, an unusual large observation at 27th period is the main cause for the out-ofcontrol signal in the previously discussed MTTR chart. After we use the iterative procedure in phase one, the final charts are shown in Figure 6. The mean and standard deviation of the independent variable are estimated as X = and MR.28 =0.34, respectively. Now, we can make use of the regression analysis on the remained observations (after eliminating one data point, that is the 27th observation) to obtain prediction residuals. Regression equation can be observed in the first row of Table 3. Residuals can be analyzed using Shewhart X-MR control charts while at the same time the predictor data have been plotted on a distinct set of control charts. Therefore, the variation of MTTR data can be examined separately without likely disturbances from the predictor. In accordance with the iterative procedure illustrated via the design flowchart, the results of this analysis are displayed in Table 3. Table 3. Iterative procedure to obtain the accurate regression equation and modify I-MR control charts of regression residuals Iteration Regression equation = = = = Out-ofcontrol observations 78.8% % % %.34 -

68 Advancements in Maintenance Engineering Journal 33/E significantly affects MTTR. Reparability and personnel skill are among other factors which may influence MTTR distribution. However, since the personnel doing maintenance operations on this specific machine are of the same skill, and the reparability of the specific machine remained constant during data gathering period we omitted these two rather qualitative factors from our examination. Table 2 contains the result of the regression analysis as well as related statistics for the dependent variable MTTR and the predictor delay time to access to spare parts. The analysis has been performed using the statistical software package of Minitab 5.0. Since P-value for delay duration is nearly zero, it is concluded that delay duration has a significant effect on MTTR (a confidence level of 0.95 has been chosen in this analysis). S shows standard deviation of residuals. The prediction equation indicates that one hour increase in delay duration results in MTTR increase by hour on average. As a part of regression analysis output, several unusual observations for which predicted values had a considerable difference with their real values were also signaled. To check the validity of the regression assumptions, we should first clarify the situation of unusual observations. Because it is expected that CSC approach will enable us to analyze unusual observations more precisely, we defer the validity checking procedure to the end of SPC analysis. Table 2. Regression analysis of MTTR (dependent variable) on delay time to access to spare parts (independent variable) According to the results, nearly 84% of the variation in MTTR (dependent variable) can be justified as the result of the relationship with delay time to access to spare parts (independent variable). Hence, it is possible to decrease MTTR by means of decreasing delay duration. Here, an important question arises as to whether or not the out-of-control MTTR value shown in Figure, can be attributed to a long delay in providing the spare parts. To be able to distinguish between the unusual variation in the time to access spare parts from that of MTTR, cause-selecting control charts offer an appropriate approach. For the purpose of constructing two sets of control charts for both independent and dependent variables, a

69 32/E Monitoring Dependent Key Performance Indicators in Maintenance: An... I-MR Chart of MTTR.8 UCL=.7906 Individual Value _ X= LCL= Observation Moving Range UCL= MR= LCL= Observation Figure 2. I-MR chart of MTTR after removing observation 27 While the procedure illustrated above may seem quite rational, an important issue proposed by a company s maintenance analyst about the factors affecting MTTR attracted our attention. A scatter plot in Figure 3 between MTTR and the duration of delay time to access to spare parts is reflecting the fact overlooked in the previous analysis..9 Scatterplot of MTTR vs Delay MTTR Delay Figure 3. Scatter plot of MTTR versus delay This seemingly positive linear pattern was interpreted by company s experts as the effect of the delay in fixing the machine failure on the severity of the machine problem. In other words, the longer it takes to provide spare parts, the more severe the problem becomes; since the machine does not stop after failures under investigation take place. Time to access to spare parts which affects MTTR in our case is regularly calculated and stored. Using regression analysis, it will be shown that the delay in providing spare parts

70 Advancements in Maintenance Engineering Journal 3/E I-MR Chart of MTTR.8 UCL=.8259 Individual Value _ X= Observation LCL= Moving Range UCL= MR= LCL= Observation Figure. I-MR chart of MTTR Accordingly, 27th data that exceeds upper control limit of the chart is the sign of out-ofcontrol conditions at 27th month. Although, it is recommended that phase-one analysis of SPC be started by evaluating the MR chart, at first we investigated an alarm on the I chart; since, in fact, the out-of-control signal on the MR chart (28th point) can be confidently attributed to the large data (27th point) in the I chart which has caused a large absolute difference. Indeed, the MR chart suffers from a number of shortcomings which render its interpretation problematic. In case of out-of-control signals on a control chart, the calculations of phase one for estimating control chart parameters should be repeated until no point appears out of in-control region. After leaving the 27th data point out of the calculations, Figure 2 shows the modified and finalized set of I-MR charts. Therefore, the expected mean time to repair can be estimated as.39 hour (the center line of I chart). Also, the standard deviation of mean time to repair can be inferred from MR chart as 0.05 hour (the center line of MR chart divided by.28).

71 30/E Monitoring Dependent Key Performance Indicators in Maintenance: An... Computerized Maintenance Management System (CMMS) in order to collect and store real time data on all maintenance operations. Therefore, maintenance managers can easily execute statistical procedures for monitoring maintenance KPIs. MTTR data of the machine under study is gathered over monthly periods. As a matter of fact, the average of times to repair for different failures of the machine is recorded as the monthly MTTR. Thirty monthly MTTR data since February 2009 to August 20 has been provided for the analysis in this study. To make use of SPC charts, a commonly-used procedure involves two consecutive phases. In phase one, historical data are retrospectively analyzed to estimate process parameters which provides the basis for drawing control charts. In phase two, the online use of a control chart begins in which data are plotted and analyzed immediately after respective observations are recorded. Figure depicts a combination of Shewhart individuals and moving range (I-MR) control charts in phase one designed for individual MTTR observations. Equation displays the relationships of I-MR control charts. MR chart: = = = 0 Individuals chart: = = = 3.28 () denotes a typical variable which is normally and independently distributed (commonly abridged as NID properties), and the average of moving ranges of two consecutive observations has been denoted by MR. If both control charts exhibit in-control conditions, μ and σ, mean and standard deviation of, would be estimated by Y, and MR.28, respectively. It should be noted that normally and independently distributed data are crucial prerequisites for using Shewhart individuals control chart. To check these assumptions we used a normal probability plot along with an autocorrelation function plot. The results indicated that the data we deal with fulfills both aforementioned assumptions.

72 Advancements in Maintenance Engineering Journal 29/E delay duration to access spare parts. With this approach, the manager can conclude whether unnatural variation in MTTR trend stems from the delay duration to access spare parts or other influential factors. As Table illustrates, there are four possible results when a maintenance manager uses the cause selecting chart and the Shewhart chart in combination: () neither chart signals, (2) the cause selecting chart signals but the Shewhartchart does not (3) the Shewhart chart signals but the cause selecting chart does not and (4) both charts signal.if neither chart signals, then dependent indicator and effective parameter are in control. If the cause selecting chart signals but the Shewhart does not, then special causes do not include delay duration and are hidden in the dependent indicator. If the Shewhart chart signals but the cause selecting chart does not, only the effective parameter is out of control. Maintenance manager should search for special causes of variations based on the effective parameter only which is delay duration. Table. Decision rules using cause-selecting control charts [9] Case 2 Delay (x chart) No signal No signal MTTR (z chart) No signal Signal 3 Signal No signal 4 Signal Signal Interpretation Delay and MTTR in control Delay in control MTTR out of control Delay out of control MTTR in control Delay and MTTR out of control The next section describes the application of cause selecting control chart for monitoring a KPI in a manufacturing company and compares diagnostic capability of this chart with that of a traditional Shewhart chart in maintenance system. 3. An application of the cause selecting control chart In this section, a real-world case study is presented in which cause selecting control chart is employed for monitoring the mean-time-to-repair (MTTR) indicator whose distribution depends upon some preceding factors. More specifically, a packaging machine is investigated in an Iranian company operating in the field of food industry. One of the main failures which the machine is commonly subjected to is associated with its ironing part that may wear out several times during a month. The company has invested on a

73 28/E Monitoring Dependent Key Performance Indicators in Maintenance: An... manufacturing company and compares the capability of the cause selecting chart to a traditional chart that does not take into account the dependency of the indicator. The managerial implications of the outcomes are discussed in section 4. Section 5 provides conclusion and recommendations for future researches. 2. cause selecting control chart for KPI monitoring Since dependent indicators of maintenance may mask problems that exist in independent parameters affecting dependent indicator, reliance on dependent indicators can mislead improvement efforts. If dependent indicator signals poor performance, maintenance manager may unintentionally invest resources on all independent parameters affecting dependent indicator somewhat, while, in fact, the problem may exist in only one effective independent parameter. While important, selection of appropriate indicators represents only one step in the maintenance performance improvement process. Controlling variation in maintenance KPIs may prove even more valuable. Maintenance manager must proceed with caution when applying Shewhart control charts to dependent KPIs. Traditional control charts solely cannot separate between unnatural variation occurring in the independent parameter and unnatural variation in the dependent indicator. Hence, it will be difficult for the maintenance manager to determine which one is out of control and more importantly, where special causes should be sought. Quality control researchers have long recognized the problems associated with monitoring dependent process variables [3]. DiPaola [7] thought of correlation control chart to monitor two related variables, simultaneously, because he had figured out that when two variables are correlated, conventional control charts do not use all the relevant information. Mandel [8] built up the concept of the correlation control chart by devising a regression control chart for monitoring a single dependent variable. Mandel3 also proposed a simplification of the regression-based chart in which the residuals computed from the regression analysis were plotted on the control chart. Hawkins23 used the regression control chart for cascade processes and cited Zhang [3] cause selecting control chart as a beneficial tool for monitoring quality in a cascade process. The cause selecting control charts separate between special causes of variations which are in the dependent indicator and special causes in the independent parameter affecting dependent indicator. Using cause-selecting control charts not only allows us to benefit from well-established methods for identifying unnatural variation of maintenance KPIs, but also can be quite helpful for root-cause analysis and maintenance system improvement. To implement the cause selecting chart methodology for monitoring dependent KPIs, maintenance manager must establish the relationship between KPI and the parameters affecting the indicator. This relationship may be determined either empirically or theoretically [4]. Past research in industrial quality control has reported that linear regression models are among the most useful ones for expressing this relationship2. Plotting regression residuals on the cause selecting chart allows the maintenance manager to monitor dependent KPIs after adjusting for the effects of the independent parameters. Besides, the independent variables can be monitored using traditional Shewhart charts. For instance, in a manufacturing company, the maintenance manager could construct a cause selecting chart to monitor MTTR and a Shewhart chart to monitor

74 Advancements in Maintenance Engineering Journal 27/E. Introduction and literature review With the growth of complexity and the number of equipment in factories and also the incredible growth rate of production, losses due to unforeseen halts caused by failures of different equipment have shown their importance on reduction of profit of industrial units to the managers of industries, far more than past []. Therefore, maintenance management and preventive maintenance plans which aim at minimizing equipment failures have received considerable attention during recent decades. In order to determine maintenance effectiveness, various aspects should be evaluated by means of different indexes []. One of the most important indicators for determining machine availability is Mean Time To Repair (MTTR). High MTTR shows that it takes a long time to repair a machine. This long time to repair can occur due to several reasons such as low craftsman skills, high failure severity, low repairability of machine, applying insufficient tools and delay in access to spare parts. An appropriate approach in order to control these indexes is to use statistical process control (SPC) methods which are traditionally employed for quality improvement initiatives in manufacturing and service industries []. On the basis of a comprehensive search, there exist only a few published studies which have used SPC tools for monitoring purposes in maintenance management. Particularly, control charts as the most widely-used tool of SPC can be used to monitor and diagnose maintenance efficiency indicators. For instance, in order to control the reliability of a production system, Xie et al.[2] have introduced an idea like this paper. They have used control charts designed based on exponentially-distributed times to failure for monitoring time needed to reach a fixed number of faults. However, the diagnosis of the problems identified by control chart is not investigated in their study. To incorporate diagnostic capability in conjunction with detect ability of traditional Shewhart charts utilizing regression-based control charts is authors main idea in writing this paper. In addition to monitoring maintenance indicators, practitioners need to identify the main sources of the problem in case of maintenance failures. Cause-selecting control charts, proposed by [3], and designed on the basis of the relationship between process variables can be quite helpful in this regard. According to our studies, no research has been done for monitoring maintenance performance by means of cause selecting control charts which are kind of regression based control charts. A more elaborate description and related literature are proposed in the next section. It should be noted that the issue examined in this paper is different from what investigated in a particular stream of research whose main objective is to propose an integrated cost minimization approach to SPC and maintenance. Many researches [4-6] can be cited as the recent instances of the aforementioned research area. The main goal of this stream is minimizing maintenance costs as well as losses resulted from products and services of poor quality. This paper indicates when a maintenance indicator is affected by independent variables; control charts used for monitoring should adjust for the dependency between parameters. Cause selecting control charts are applied in this study to actual MTTR data from a manufacturing company. The results indicate that a chart which controls for dependency between parameters outperforms traditional control charts which do not consider the effect of independent factors. In the next section, cause selecting control charts are discussed. Section 3 illustrates the use of cause selecting control chart by means of actual MTTR data of a machine in a

75 Monitoring Dependent Key Performance Indicators in Maintenance: An Application of Cause Selecting Control Charts AmirAbbas Najafi * Faculty of Industrial Engineering, K.N. Toosi University of Technology, Tehran, Iran. Siamak Nouri Faculty of Industrial and Mechanical Engineering, Qazvin Branch, Islamic Azad University, Qazvin, Iran. (Date Received: /5/202, Date Accepted: 0/0/203) Abstract Controlling maintenance indicators plays an effective role in improvement of availability and Overall Equipment Efficiency (OEE). Control charts are widely used for process monitoring in the manufacturing companies. This study examines the cause selecting control charts as a method for monitoring Key Performance Indicators (KPIs) in maintenance and compares diagnostic capability of cause selecting control charts to that of a traditional Shewhart chart in monitoring of maintenance indicators. In order to clarify the subject more accurately, Mean Time To Repair (MTTR) data of a specified machine in a manufacturing company which is calculated in monthly periods is used as an illustrative case study.the analysis indicates that cause selecting control chart has high diagnostic capability in signaling unusual variation of dependent indicators of maintenance and control charts for such indicators without noticing the effect of influencing factors can mislead maintenance managers. Keywords Maintenance, Key performance indicators, Quality control charts, Mean time to repair. aanajafi@kntu.ac.ir

76 Advancements in Maintenance Engineering Journal 25/E [40] E. Ebrahimi and K. Mollazade, "Intelligent fault classification of a tractor starter motor using vibration monitoring and adaptive neuro-fuzzy inference system," Insight- Non-Destructive Testing and Condition Monitoring, vol. 52, pp , 200. [4] B.-S. Yang, et al., "Fault diagnosis of rotating machinery based on multi-class support vector machines," Journal of Mechanical Science and Technology, vol. 9, pp , [42] N. Haloui, D. Chikouche, M. Benidir and R. E. Bekka, "Diagnosis of gear systems by spectral analysis of vibration signals using synchronous cepstre technique," ESTS International Transactions on Communication and Signal Processing, Vol. 8, No., pp , [43] B. Bagheri, H. Ahmadi and R. Labbafi, "Implementing discrete wavelet transform and artificial neural networks for acoustic condition monitoring of gearbox," Elixir Mech. Engg. 35, pp , 20.

77 24/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. [23] S. Janjarasjitt, et al., "Bearing condition diagnosis and prognosis using applied nonlinear dynamical analysis of machine vibration signal," Journal of sound and vibration, vol. 37, pp. 2-26, [24] P. McFadden and J. Smith, "Model for the vibration produced by a single point defect in a rolling element bearing," Journal of sound and vibration, vol. 96, pp , 984. [25] C. Mechefske, "Objective machinery fault diagnosis using fuzzy logic," Mechanical systems and signal processing, vol. 2, pp , 998. [26] L. Zhang, et al., "Bearing fault diagnosis using multi-scale entropy and adaptive neuro-fuzzy inference," Expert Systems with Applications, vol. 37, pp , 200. [27] H. Konstantin-Hansen, "Envelope analysis for diagnostics of local faults in rolling element bearings," Brüel & Kjær, Denmark, [28] A. Choudhury and N. Tandon, "A theoretical model to predict vibration response of rolling bearings to distributed defects under radial load," Journal of vibration and acoustics, vol. 20, pp , 998. [29] M. Misiti, et al., "Wavelet toolbox user s guide," The Math Works Inc, 996. [30] J.-D. Wu and J.-J. Chan, "Faulted gear identification of a rotating machinery based on wavelet transform and artificial neural network," Expert Systems with Applications, vol. 36, pp , [3] K. Mollazade, et al., "An intelligent model based on data mining and fuzzy logic for fault diagnosis of external gear hydraulic pumps," Insight-Non-Destructive Testing and Condition Monitoring, vol. 5, pp , [32] B. Samanta, et al., "Artificial neural networks and support vector machines with genetic algorithm for bearing fault detection," Engineering Applications of Artificial Intelligence, vol. 6, pp , [33] V. Vapnik, The nature of statistical learning theory: springer, [34] C. Cortes and V. Vapnik, "Support-vector networks," Machine learning, vol. 20, pp , 995. [35] A. Widodo and B.-S. Yang, "Wavelet support vector machine for induction machine fault diagnosis based on transient current signal," Expert Systems with Applications, vol. 35, pp , [36] W. S. Noble, "What is a support vector machine?," Nature biotechnology, vol. 24, pp , [37] J.-S. Jang, "ANFIS: adaptive-network-based fuzzy inference system," Systems, Man and Cybernetics, IEEE Transactions on, vol. 23, pp , 993. [38] M. J. Reddy and D. K. Mohanta, "A wavelet-neuro-fuzzy combined approach for digital relaying of transmission line faults," Electric Power Components and Systems, vol. 35, pp , [39] M. Sugeno and G. Kang, "Structure identification of fuzzy model," Fuzzy sets and systems, vol. 28, pp. 5-33, 988.

78 Advancements in Maintenance Engineering Journal 23/E [7] B. Huang, "Detection of abrupt changes of total least squares models and application in fault detection," Control Systems Technology, IEEE Transactions on, vol. 9, pp , 200. [8] C. D. Bocaniala, et al., "A novel fuzzy classification solution for fault diagnosis," Journal of Intelligent and Fuzzy Systems, vol. 5, pp , [9] K. Mollazade, et al., "An intelligent combined method based on power spectral density, decision trees and fuzzy logic for hydraulic pumps fault diagnosis," International Journal of Intelligent Systems and Technologies, vol. 3, pp , [0] S. Orhan, et al., "Vibration monitoring for defect diagnosis of rolling element bearings as a predictive maintenance tool: Comprehensive case studies," Ndt & E International, vol. 39, pp , [] E. Juzėnas, et al., "Research of complex rotary systems vibrocondition based on analysis of dynamical processes and spectrum of vibrations," Mechanika.-Kaunas: Technologija, p. 69, [2] V. Barzdaitis and P. Mažeika, "Diagnostics practice of heavy duty high speed gear transmissions," Mechanika, pp. 58-6, 200. [3] P. W. Tse, et al., "Wavelet analysis and envelope detection for rolling element bearing fault diagnosis-their effectiveness and flexibilities," Journal of vibration and acoustics, vol. 23, pp , 200. [4] G. Zheng and W. Wang, "A new cepstral analysis procedure of recovering excitations for transient components of vibration signals and applications to rotating machinery condition monitoring," Journal of vibration and acoustics, vol. 23, pp , 200. [5] T. Akıncı, "Time-frequency analysis of the current measurement by hall effect sensors for electric arc welding machine," 200. [6] L. Cohen, Time-frequency analysis vol. 778: Prentice Hall PTR New Jersey, 995. [7] C. S. Burrus, et al., Introduction to wavelets and wavelet transforms: a primer vol. 23: Prentice hall Upper Saddle River, 998. [8] J.-D. Wu, et al., "Fault gear identification and classification using discrete wavelet transform and adaptive neuro-fuzzy inference," Expert Systems with Applications, vol. 36, pp , [9] X. Lou and K. A. Loparo, "Bearing fault diagnosis based on wavelet transform and fuzzy inference," Mechanical systems and signal processing, vol. 8, pp , [20] Q. Sun and Y. Tang, "Singularity analysis using continuous wavelet transform for bearing fault diagnosis," Mechanical systems and signal processing, vol. 6, pp , [2] H. M. Monavar, et al., "Prediction of defects in roller bearings using vibration signal analysis," World Applied Sciences Journal, vol. 4, pp , [22] Y. Li, et al., "Dynamic prognostic prediction of defect propagation on rolling element bearings," Tribology transactions, vol. 42, pp , 999.

79 22/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. After training stage, the testing dataset was applied to validate the classification accuracy of ANFIS model for bearing fault diagnosis. The classification accuracy of ANFIS model on both training and testing dataset for the rotational speeds of 600 and 00 rpm was 00%. The results demonstrated that the DWT, SVM and ANFIS are powerful and proper techniques for fault bearing detection and bearing fault condition classification. 9. Conclusion This paper explained a proper procedure for bearing fault diagnosis using the artificial intelligence. DWT analysis, SVM and ANFIS model were applied for this research. This diagnostic method was evaluated by using vibration data collected from the designed test rig with normal and faulty bearings installed at two rotational speeds of 600 and 00 rpm. The vibration signals in time domain were processed by DWT technique with the Daubechies-3 wavelet in 3 decomposition levels. 30 features were extracted from the wavelet coefficients of the vibration signals using statistical and vibration parameters. Input vectors for SVM and ANFIS were six important features, which were obtained using a data mining technique. The SVM and ANFIS were trained as the pattern classifiers, and then their performance was computed by using the testing dataset. It was observed that the classification accuracy of SVM and ANFIS were 00% on training and testing dataset for both rotational speeds. This perfect performance is attributed to the great ability of DWT, SVM and ANFIS in signal processing and classification stages, respectively. The results indicated that the proposed intelligent diagnostic system can effectively detect the bearing fault. Acknowledgement The authors would like to especially thank Irankhodro Powertrain Company (IPCo) for its support to this research. References [] A. Widodo and B.-S. Yang, "Support vector machine in machine condition monitoring and fault diagnosis," Mechanical systems and signal processing, vol. 2, pp , [2] M. P. Piyush and D. prajapati, "A review on artificial intelligent system for bearing condition monitoring," International Journal of Engineering Science, 20. [3] H. Ahmadi and A. Moosavian, "Fault Diagnosis of Journal-Bearing of Generator Using Power Spectral Density and Fault Probability Distribution Function," in Innovative Computing Technology, ed: Springer, 20, pp [4] M. Vasylius, et al., "The rotating system vibration and diagnostics," Mechanika.- Kaunas: Technologija, p. 72, [5] R. K. Mobley, An introduction to predictive maintenance: Butterworth-Heinemann, [6] H. Yang, "Automatic fault diagnosis of rolling element bearings using wavelet based pursuit features," Queensland University of Technology, 2004.

80 Advancements in Maintenance Engineering Journal 2/E The performance of a SVM depends on the choice of the kernel function to map a data from original space to a higher dimensional feature space. There are no certain rules governing its choice. The RBF kernel is the one of the best kernel for constructing SVM and provides excellent results for fault diagnosis applications [4]. The RBF kernel with RBF kernel width of (σ=) and sequential minimal optimization method with condition parameter 0-3 were used for the SVM. The performance of the SVM was 00% for both rotational speeds of 600 and 00 rpm. Two Gaussian type functions as a membership function of the input variables and Hybrid optimization method (combination of least-squares estimation with back-propagation) were applied. The ANFIS model used 6 input data, 50 training epochs and the initial step size of 0.0. Figure 7 shows the final membership functions of each input at the 00 rpm rotational speed. Also, 2 rules achived are as follows: Rule: If (in is inmf) and (in2 is in2mf) and (in3 is in3mf) and (in4 is in4mf) and (in5 is in5mf) and (in6 is in6mf) then (out is outmf) () Rule2: If (in is inmf2) and (in2 is in2mf2) and (in3 is in3mf2) and (in4 is in4mf2) and (in5 is in5mf2) and (in6 is in6mf2) then (out is outmf2) () Figure 7. Membership function for fault condition detection at 00 rpm rotational speed

81 20/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. 5 Normal (600 rpm) Faulty (600 rpm) 20 Amplitude (m/s 2 ) Normal (00 rpm) Faulty (00 rpm) Time (s) Figure 5. Time domain vibration signals of each bearing condition Amplitude (m/s 2 ) Faulty signal (00 rpm) A D3 D x Figure 6. Decomposition of the vibration signal for the faulty bearing condition at 00 rpm rotational speed D Data points x 0 4 The classifiers were trained by the training dataset, and then their performance was exactly estimated by test dataset.

82 Advancements in Maintenance Engineering Journal 9/E Figure 5 shows the time waveform of the four bearing conditions in a s duration. Referring to this figure, it can be seen that the overall vibration amplitude for faulty conditions is more than normal conditions at both rotational speeds. But it is difficult to discriminate among various bearing conditions from the time domain of the vibration signals, so an advanced signal processing technique can give an important fault indicating information. The discrete wavelet transform (DWT) provided a proper technique of signal processing which can successfully detect the faulty condition for abnormal transient signals. The wavelet coefficients can be used as helpful values in finding bearing fault conditions. In present work, the Daubechies-3 wavelet and 3 decomposition levels were applied to obtain the wavelet coefficients. DWT of the vibration signals for faulty situation at 00 rpm operating condition is shown in Figure 6. Thirty features were extracted from the discrete wavelet transform coefficients for four conditions of bearing. The extracted features were different from each other, and they were also applied to establish the database. Six superior features out of thirty features have been selected by the data mining technique and then served as inputs to the SVM and ANFIS classifiers for classifying the different conditions of bearing. In order to confirm the robustness of the proposed classification procedure, the authors compared the classification results between SVM and a common classifier, namely, ANFIS. The entire analysis were implemented using the Matlab R2008a software package. For the classifiers, the target values were specified as and -, respectively, representing normal and faulty condition. After training stage, the testing dataset was applied to validate the accuracy of the two classifiers for the identification and classification of the bearing conditions. Results are presented to see the effects of the signal processing and feature extraction techniques in bearing fault detection using SVM and ANFIS classifiers. Bearing condition Table 2. Description of bearing dataset Rotational speed (rpm) Number of sample Number of training data Number of testing data normal faulty normal faulty

83 8/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. layer there exist n p nodes where n is the number of input variables and p is the number of membership functions. In the second layer, each node provides the strength of the rule by means of multiplication operator. These nodes are fixed nodes which are labelled with P and perform AND operation to obtain the output results of firing strength. Firing strength means the weight degree of if-then rules in the premise part. The outputs of this layer can be stated as: w = µ ( x) µ ( y), i =,2 (38) i Ai Bi In layer 3, comparison between firing strength of the rules and the sum of all firing strength is done. The output of this layer is the normalized firing strength which can be expressed as: w w wi w w + w i i = = i i 2 Layer 4 is a consequent layer and performs the Sugeno-type inference system. In this layer, each node is adaptive node. The output of each node is simply product of the normalized firing strength and a first order polynomial. Thus, the outputs of this layer are given by: wf i = wi( px+ qy+ c ) (40) i i i i where w i is the output of the average layer. The parameters pi, q i and ci are referred to as the consequent parameters. In this example, since there exist two variables (x and y), there are three parameters (pi, q i and ci) in the fourth layer. The parameters are updated by a learning step. Kalman filtering based on least-squares approximation and backpropagation algorithm is applied as the learning stage. In the fifth layer, the single fixed node calculates the overall output as the summation of all incoming nodes [40]. In other words, defuzzification process is occurred in this layer and the outputs of layer 4 are aggregated. Therefore, the single output of the ANFIS is given by: wf i i i f = wf i i = w i i (39), i =,2 (4) 8. Results and Discussion The aim of this research is bearing fault diagnosis based on artificial intelligence using discrete wavelet transform, support vector machine and adaptive neuro-fuzzy inference system. Two conditions of normal and faulty bearing at rotational speeds of 600 and 00 rpm were considered for the experimental system. The dataset comprises totally 2260 data samples, and each sample consists of 638 and 897 data points for rotational speeds of 600 and 00 rpm, respectively. In each class, the training dataset and the testing dataset were randomly selected from the dataset. Table 2 shows the detailed description of the dataset.

84 Advancements in Maintenance Engineering Journal 7/E 7. Adaptive Neuro-Fuzzy Inference System ANFIS model was introduced by Jang in 993, which is a model consisting of fuzzy logic (FIS) and artificial neural networks (ANN) [37]. The ANFIS is a fuzzy system using a hybrid learning procedure. ANFIS based on the Sugeno fuzzy inference model (SFIM), can build an input output mapping according to both the fuzzy if then rules and the stipulated input output data pairs [38]. The if-then rules of fuzzy system are usually used for gaining the inference of imprecise model, which could process information in diagnose system as well as the human experience such as condition monitoring and fault diagnosis. Using stipulated input output training data pairs by proper membership functions, the if-then rules are constructed. ANFIS can adjust the membership function using back propagation gradient descent. ANFIS simulates TSK (Takagi-Sugeno-Kang) fuzzy rule [39] of type-3 where the consequent part of the rule is linear combination of inputs and constant. The final output of the system is weighted average of each rule's output. The given concept of ANFIS structure can be expressed using a simple example whose rule base is given as follows: Rule : If x is A and y is B then f =p x+q y+c Rule 2: If x is A 2 and y is B 2 then f 2 =p 2 x+q 2 y+c 2 where x and y are the input variables, A, A 2, B and B 2 are fuzzy sets that are determined during the training process, y is the output variable and p, p 2,q, q 2, c and c 2 are the consequent parameters that are also determined during the training process. ANFIS framework consists of six layers as described below: Layer 0 is the input layer (adaptive nodes). It has n nodes where n is the number of inputs to the system. Nodes of this layer generate membership grade with node functions: The fuzzy part of ANFIS is mathematically incorporated in the form of membership functions (MFs). A membership function µ ( x ) and µ ( y) can be any continuous and Ai piecewise differentiable function that transforms the input value x and y into a membership degree, respectively. The most widely applied membership function is the generalized bell-shaped (gbell MF), which is better than Gaussian membership. Therefore, Layer is the fuzzification layer in which each node represents a membership value to a linguistic term, and the µ and µ can be given by: A i B i Bi µ ( x) = Ai µ ( y) = Bi + + x ci a i y ci a i 2bi 2bi, i =,2 (36), i =,2 (37) where a i, b i and c i are the adaptive parameters which change the shape of membership function. These parameters are in the premise part of if then rules, hence called as premise parameters or so-called non-linear parameters. Their values are adapted by means of the back-propagation algorithm during the learning step. As the values of the parameters change, the membership function of the linguistic term, A i changes. In this

85 6/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. N T f( x) = sign( w. x+ b) = sign( αiyi( xx i. j) + b) (3) i, j= 0 In the case of nonlinear classification, the SVM uses the kernel function. The kernel functions provide a solution to this problem by adding an additional dimension to the dataset. In other words, a kernel function maps data from a low-dimensional space (original space) onto a space of higher dimension, where the linear classification is d possible [36]. Using the nonlinear function φ ( x) ( φ : R F ) the N-dimensional input vector x i is mapped onto the l-dimensional feature space. Kernel is a function that returns a dot product of the feature space mappings of the original vectors. In this case, the knowing explicitly the mapping function is not required for the learning. The kernel function is expressed as: kxx (. ) = φ( x). φ( x ) (32) i j i j Therefore the dual optimization problem of the nonlinear SVM is: maximize N N L( α) = α αα yykxx (. ) (33) i i j i j i j i= 2 i, j= 0 subject to 0 αi C, αiyi 0 (34) Finally, the decision function will be i N T f( x) = sign( w. x+ b) = sign( αiykxx i ( i. j) + b) (35) i, j= 0 Table describes six useful kernel functions. Table. Formulation of kernel functions Kernel Equation Linear xx. Polynomial ( γ xx. + ) d 2 Gaussian Radial xi x j exp Basis Function 2 2σ Exponential Radial xi x j exp Basis Function 2 2σ sin( N+ )( xi xj) Fourier Series 2 sin( ( xi xj)) 2 Multi-layer tanh( ρ( xi, xj) + ϑ) Perceptron i i j j

86 Advancements in Maintenance Engineering Journal 5/E The geometrical margin is found to be solving the following optimization problem: minimize 2 w. The optimal hyperplane can be gained by 2 2 w (9) T subject to y( w. x + b) 0 for i =,2,..., N (20) i i The problem can be computed by converting into the equivalent Lagrangian dual problem: N N 2 Lwb (,, α) = w α y( wx. + b) + α 2, i 0 i i i i i= i= The corresponding dual optimization problem is: maximize subject to αi 0, N N L( α) = α αα yy ( xx. ) i i j i j i j i= 2 i, j= 0 α (2) (22) l αiyi 0 (23) i= By solving the dual optimization problem, those points which α i > 0 are called support vectors. Finally, the separating function is obtained: N T f( x) = sign( w. x+ b) = sign( αiyi( xx i. j) + b) (24) i, j= 0 In case where the data couldn t be separated by hyperplane without errors, Vapnik propose that introducing positive slack variables ξ i, i =,..., N, the constraints become: wx. + b + ξ for y =+ (25) and i i i wx. + b + ξ for y = (26) i i i ξ 0 (27) i The goal is to build hyperplane that makes the smallest number of errors. Hence the objection function becomes: minimize 2 2 N w + C ξ (28) i= i where C is penalty parameter, a larger C corresponding to assign a higher penalty to errors. The C must be chosen by the user. The dual optimization problem becomes: maximize N N L( α) = α αα yy ( xx. ) subject to 0 αi C, α y 0 (29) i i j i j i j i= 2 i, j= 0 i i (30) i Finally, the separating hyperplane is gained by the following function:

87 4/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. 4 n ( x ) i x i= FM4 = n ( ( x x)) n i= i 2 2 (4) 6. Support Vector Machine Support vector machine (SVM) is a new computational supervised learning method for classification which has been developed by Vapnik and is gaining popularity due to many appealing features. SVM is based on VC-theory attempts to construct, and then seek the separating hyperplanes with maximum margin by converting the problem description into dual space [33]. This is done by the means of Lagrangian and solving the dual optimization problem. The SVM is introduced based on structural risk minimization (SRM), which minimizes the upper bound of the generalization error. It gives better generalization abilities than methods used empirical risk minimization (ERM) such as Neural Network [33, 34]. SVM has been successfully applied to the number of applications such as machine condition monitoring, fault diagnosis, face detection, verification, and recognition, object detection and recognition, handwritten character and digit recognition, text detection and categorization, speech and speaker verification, recognition, information and image retrieval, etc. SVM has the potential to handle huge feature spaces [35]. Support vector machines (SVM) were originally designed for binary (2-class) classification. In binary classification, the class labels can take only two values: and SVM Theory Given N-dimensional data input x, i =,2,..., N belong to 2-class, with associated labels i y i = for positive class and y i = for negative class. If the data are linearly separable, it is possible to determine a hyperplane f(x) that separates the given data N T f( x) = w. x+ b= wj. xj + b= 0 (5) j= where w is N-dimensional normal vector and b is a bias. All data satisfy the following constraints: wx. + b +, y =+ (6) and i i wx. + b, y = (7) i i or it can be mentioned in following equation: T y( w. x + b) 0 for i =,2,..., N (8) i i The SVM attempts to place a linear hyperplane between the two different classes, with maximum margin (distance from the hyperplane to the nearest vectors in each class). This hyperplane is called the optimal hyperplane.

88 Advancements in Maintenance Engineering Journal 3/E 5. Feature Extraction Wavelet coefficients should not be used directly as inputs of classifier, so a post process stage is needed to prepare data for classifier. This process is usually called feature extraction. In this work, thirty features were extracted from the wavelet coefficients of the vibration signals using statistical and vibration parameters. Some of the used parameters are maximum, minimum, average, standard deviation, variance, 4th central moment, 5th central moment, skewness, kurtosis, etc. Quite a few works have used some of these parameters [9, 23, 3, 32]. In comparison with previous studies, we used a number of new features in this research such as geometric mean, shape factor, impulse factor, harmonic mean, mean deviation. Some of these features are explained below. Average: It is the average of all signal point values. x n x i= i = (8) n Standard deviation: Standard deviation indicates the effective energy or power content of the vibration signal. Stdv= x x n 2 ( ) i= i (9) n Variance: It is variance of the signal points. n ( ) 2 x i i x = Variance = (0) n Skewness: Skewness characterizes the degree of the asymmetry of a distribution around its mean. n 3 ( x ) i x i= Skewness = n n ( ( x )) i i x = n 2 3/2 Kurtosis: Kurtosis indicates the flatness or the spikiness of the signal. n 4 ( x ) i x i= Kurtosis = n n ( ( x )) i i x = n 2 2 Crest Factor: Crest Factor indicates the ratio of the peak level of the signals to the rms level. This feature detects changes in the signal pattern. CrestFactor x () (2) peak = (3) x RMS FM4: FM4 is defined as the identify changes in the vibration pattern resulting from damage.

89 2/E Discrete Wavelet Transform, Support Vector Machine and Adaptive. huge and awful amount of data. Thus, using dyadic scale and positions, makes analysis more efficient and accurate, this procedure is called discrete wavelet transform (DWT). DWT which is the discrete form of CWT, is expressed as: t 2 k 2 2 (6) j + * DWTa (, τ) = xt () ψ dt j j where a and τ represent 2 j and 2 j k. The DWT analysis is done by passing the raw signal through a series of high and low pass frequency filters. Each level of decomposition consists of one high-pass and one lower-pass filter, thus, the raw signal is decomposed into two parts, high frequency bands (Details (D j )) and low frequency bands (Approximation (A j )). In the next level of decomposition, Approximation signal of previous level is applied as an input of decomposition and high and low frequency bands will be separated, and this process is done untill it reaches the desired decomposition level. The original signal can be defined as [43]: xt = A + D (7) () j j j J where A j and D j are approximation and detail of the signal at level J th, respectively. Figure 4 shows that the x signal is decomposed into J th level. In other words, this signal is the composition of J th level details and last level approximations wavelet coefficients. Figure 4. Decomposition tree of discrete wavelet transform

90 Advancements in Maintenance Engineering Journal /E Figure 3. Experimental test rig 4. Wavelet Analysis Generally, the acoustic and vibration machinery signals can be implemented to classify the faults of rotary systems. Several signal processing techniques are developed during recent years to analyse these raw signals in time or frequency domains. A wavelet is a waveform of effectively limited duration that has an average value of zero. The Wavelet Transform is defined as the integral of the signal x(t) multiplied by scaled, shifted versions of a basic wavelet function ψ [9, 29]. Wavelet transform is a conventional timefrequency domain signal analyser that uses oscillating functions as window functions. Wavelet analysis allows the use of long time intervals for more precise low frequency information and shorter regions for high frequency information. Wavelet transform is capable of providing time and frequency information simultaneously, hence giving a timefrequency representation of the signal. Wavelet analysis reveal aspects of data that other signal processing techniques miss, aspects like trends, breakdown points, discontinuities in higher derivatives, and self-similarity. This series of functions, that usually called mother wavelets, have different frequencies to deal with transient signals in different time intervals [30]. Wavelet is useful for the transient nature of non-stationary signal. Continues wavelet transform (CWT) decomposes signal in both domain and frequency domains simultaneously, CWT is defined as: t a τ a (5) + * CWTa (, τ) = xt () ψ dt where a, τ and ψ and are the scale parameter, translation parameter and mother wavelet, respectively, and ψ * is the complex conjugate of ψ. Computation of wavelet coefficients at every conceivable scale takes lots of calculations and work, and result in