بهینهسازی همزمان هزینه ریسک خرابی و هزینههای نگهداری با رویکرد ترکیبی یادگیری ماشین– الگوریتم ژنتیک | ||
| مدیریت زنجیره تأمین | ||
| دوره 28، شماره 91، تابستان 1405، صفحه 101-117 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/scmj.2026.1701 | ||
| نویسندگان | ||
| مهناز جلیلی1؛ صادق عابدی* 2؛ معصومه دانش شکیب2 | ||
| 1دانشجوی دکتری، گروه مدیریت صنعتی ، واحد قزوین،دانشگاه آزاد اسلامی ، قزوین ، ایران | ||
| 2استادیار گروه مدیریت صنعتی، واحد قزوین،دانشگاه آزاد اسلامی ، قزوین ، ایران | ||
| چکیده | ||
| هدف این پژوهش، ارزیابی یک چارچوب ترکیبی دادهمحور برای بهینهسازی همزمان هزینه ریسک خرابی تجهیزات و هزینههای برنامهریزیشده نگهداری و تعمیرات ، با اتکا به خروجی مدل برتر پیشبینی خرابی مبتنی بر یادگیری ماشین است. پژوهش از نوع کاربردی و دادهمحور بوده و دادههای مورد استفاده در این پژوهش شامل ۴۰۰ رکورد هفتگی استخراجشده از یک بازه زمانی ۸ ساله و مرتبط با فعالیتهای نگهداری و تعمیرات تجهیزات در زنجیره تأمین سهسطحی تولید کک از استخراج زغالسنگ تا مرحله فرآوری میباشد. در مرحله نخست، پیشبینی احتمال خرابی تجهیزات با استفاده از چند الگوریتم یادگیری ماشین انجام شد. سپس، خروجی این مدل بهعنوان ورودی یک الگوریتم ژنتیک چندهدفه بهکار گرفته شد تا سناریوهای بهینه برای زمانبندی نگهداری پیشگیرانه استخراج شوند. یافتههانشان دادند که مدل گرادیان بوستینگ توانایی بالاتری در شناسایی الگوهای پیچیده خرابی تجهیزات دارد و اتصال خروجی آن به الگوریتم ژنتیک امکان استخراج مجموعهای از راهحلهای بهینه مبادلهای میان کاهش ریسک خرابی و کنترل هزینههای نگهداری را فراهم میکند. جبهه پارتو حاصل، بیانگر آن است که افزایش شدت نگهداری الزاماً به حداقلسازی هزینه کل منجر نمیشود و انتخاب طرح بهینه به اولویتهای مدیریتی و میزان ریسکپذیری سازمان وابسته است. پژوهش حاضر نشان میدهد که یکپارچهسازی پیشبینی خرابی مبتنی بر یادگیری ماشین با بهینهسازی چندهدفه، میتواند تصمیمسازی نگهداری و تعمیرات را از سطح واکنشی به سطح پیشنگر و هوشمند ارتقا دهد. | ||
| کلیدواژهها | ||
| نگهداری و تعمیرات؛ یادگیری ماشین؛ پیشبینی خرابی؛ بهینهسازی چندهدفه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 41 |
||