پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیک های data mining ( کشف دانش در پایگاه داده ها kdd (knowledge discovery in databases)

پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیک های data mining ( کشف دانش در پایگاه ‌داده‌ها kdd (knowledge discovery in databases)

داده کاوی در واقع یک روش است، یک روش که قرار است به واسطه آن مسئله‌ای حل شود. این روش بر روی حجم زیادی از داده‌ها کار ‌می‌کند و تحلیل مورد نیاز را انجام ‌می‌دهد، در نهایت یک سری الگوهای تکرارشونده استخراج ‌می‌شود که ‌می‌تواند برگ برنده باشد. سپس نوبت به پیدا کردن ارتباطات بین الگوهای مختلف است و در نهایت یک سری راه حل‌های مهم در این چالش وارد ‌می‌شوند. ابزار ها، دستگاه ها و تجهیزات گوناگون در شرکت ها، همواره به عنوان یکی از مهم ترین سرمایه های کارخانه ها به شمار می آید؛ بنابراین با توجه به اینکه هزینه های خرید، نت (نگهداری و تعمیرات) تجهیزات بسیار گران و پرهزینه است و بخش عمده ای از سرمایه ثابت و هزینه های عملیاتی شرکت ها را تشکیل می دهند؛ طبیعی است که یکی از دغدغه های اساسی برای مدیران ارشد در چگونگی به کارگیری و نگهداری بهینه این تجهیزات باشد.

تحقیق حاضر (پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیک های داده کاوی ) به دنبال پیش بینی خرابی ماشین ابزار ساختمان سازی با استفاده از تکنیک های داده کاوی بود. برای اینکار اطلاعات 50 ماشین ابزار به عنوان نمونه آماری در مدت زمانی مشخص جمع اوری گردید و مورد تجزیه و تحلیل قرار گرفت. در این تحقیق با استفاده از سه تکنیک شبکه عصبی مصنوعی، رگرسیون و درخت تصمیم به پیش بینی زمان خرابی تجهیزات ساختمانی پرداخته شد. متغیرهای ورودی شامل نوع خرابی، تعداد ساعات خرابی، زمان توقف، فاصله بین خرابی ها، زمان تعمیر به ساعت و زمان خرابی دستگاه بود. با استفاده از تکنیک شبکه عصبی معادله رگرسیونی یافته شد که با فاصله تقریبا زیاد تغییرات در متغیر وابسته را پیش بینی می کرد.

ضریب تعیین بدست آمده برای کل شبکه عصبی مقدار 18 درصد را نشان می دهد که اعتبار بالایی را نشان نمی داد. در بخش درخت تصمیم با استفاده از ند و شاخه و برگ درخت تصمیمی بدست آمد که شرایط را با توجه به مقادیر هریک از متغیرهای تصمیم نشان می داد. در بخش رگرسیون ضریب تعیین 0.98 بدست آمد که نشانگر اعتبار بالای مدل رگرسیون بود ضمن این که آماره f و تحلیل واریانس نشانگر معنی داری کلی مدل رگرسیون بود اما زمانی که ضرائب رگرسیون بدست می آید دو متغیر x3 و x5 به دلیل آنکه سطح معنی داری آنها بیش از 0.05 بود و این نشان می داد که آنها در سطح اطمینان 95 درصد بی معنی بودند لذا از مدل خارج شده و صرفا سه متغیر x1و x2 و x4 در معادله رگرسیون قرار داده شدند. نتیجه حاصل نشانگر فاصله بسیار کم بین مدل رگرسیون با حذف دو متغیر x3 و x5 بود و می توان گفت مدل رگرسیون در این تحقیق بهتر می تواند پیشگوی زمان خرابی تجهیزات باشد.