به سوی جریان‌کاری هوشمند در سیستم‌های CMMS/EAM

رویکردی مبتنی بر یادگیری ماشین (ML) و تصمیم‌گیری چندمعیاره (MCDM)

مقدمه

استراتژی نگهداشت (Maintenance Strategy) نشان‌دهنده برنامه‌ای است که یک سازمان برای حفظ سلامت و ایمنی دارایی‌های خود (Preserve the Health and Safety of Assets) تنظیم می‌کند [1]. این استراتژی شامل رویه‌هایی برای بررسی، بازرسی، تعمیر، نگهداشت و نوسازی سیستم‌ها، زیرسیستم‌ها و مؤلفه‌ها (Procedures for Survey, Inspection, Repair, Upkeep, and Renewal of Systems, Subsystems, and Components) می‌شود [2].

علاوه بر این، برای اجرای یک استراتژی مؤثر، ارزیابی و انتخاب رویکردهای نگهداشت کارآمد (Efficient Maintenance Approaches) که اطلاعات مربوط به عوامل مؤثر بر چرخه عمر تجهیزات و مؤلفه‌ها (Equipment or Component Lifecycles) را فراهم می‌کنند، ضروری است [3].

نگهداشت پیش‌بینانه (Predictive Maintenance):

در این چارچوب، نگهداشت پیش‌بینانه (Predictive Maintenance) به‌عنوان یک استراتژی معرفی می‌شود که امکان پیش‌بینی خرابی‌ها و نقص‌های احتمالی (Predict Imminent Breakdowns and Faults) را بر اساس داده‌های لحظه‌ای (Real-Time Data) فراهم می‌آورد. در نتیجه، می‌توان اقدامات پیشگیرانه (Proactive Actions) را برای اطمینان از دسترس‌پذیری تجهیزات (Ensure Component Availability) و کاهش زمان توقف‌های ناخواسته (Minimize Downtime Needed for Repair) انجام داد [4].

با این حال، با افزایش حجم داده‌ها در سازمان‌ها، استفاده از ابزارهایی که بتوانند فعالیت‌های نگهداشت را مدیریت کرده (Manage Maintenance Activities) و اطلاعات لازم را به‌صورت بلادرنگ (Real-Time) در اختیار تصمیم‌گیران قرار دهند، به یک ضرورت تبدیل شده است [5].

نقش سیستم‌های مدیریت نگهداشت رایانه‌ای (CMMS) و مدیریت دارایی سازمانی (EAM):

در این راستا، سیستم‌های مدیریت نگهداشت رایانه‌ای (Computerized Maintenance Management Systems - CMMS) و مدیریت دارایی سازمانی (Enterprise Asset Management - EAM) نقش حیاتی در فعالیت‌های نگهداشت و تعمیرات (Maintenance and Repair Activities) ایفا می‌کنند.

• CMMS:
   این سیستم به برنامه‌ریزی (Planning)، مدیریت (Management) و وظایف اداری (Administrative Functions) لازم برای نگهداشت مؤثر و کارآمد (Effective and Efficient Maintenance) کمک می‌کند [6].
  
  

• EAM:
   هدف EAM، مدیریت چرخه عمر دارایی‌ها (Manage the Asset's Lifecycle) از طریق افزایش بهره‌وری و قابلیت اطمینان (Enhancing Efficiency and Reliability)، کاهش هزینه‌های نگهداشت (Reducing Maintenance Costs) و کاهش ریسک‌های سازمانی (Reducing Organizational Risks) است [7].
  
  

مزایای پیاده‌سازی CMMS/EAM:

استفاده از سیستم‌های CMMS/EAM مزایای متعددی برای سازمان‌ها به همراه دارد؛ از جمله:

• ذخیره حجم زیادی از داده‌ها (Storing Large Volumes of Data): شامل داده‌های ماشین‌آلات، داده‌های حسگرها، گزارش‌های رویدادها (Event Logs)؛
  
  

• مدیریت دستورهای کار (Manage Work Orders): ایجاد و پیگیری فعالیت‌های نگهداشت؛
  
  

• ثبت موارد نگهداشت قبلی و بهترین شیوه‌ها (Record Previous Maintenance Cases and Best Practices): مستندسازی تجربیات موفق در نگهداشت؛
  
  

• ردیابی خدمات، موجودی قطعات، سفارش‌های خرید و زمان توقف ماشین‌آلات (Track Services, Parts Inventory, Purchase Orders, Machine Downtime): بهینه‌سازی مدیریت منابع و قطعات یدکی.
  
  

بنابراین، CMMS/EAM به‌گونه‌ای طراحی شده‌اند که اقدامات نگهداشت را فعال (Trigger Maintenance Actions) کرده و به کاربران امکان می‌دهند تا به‌طور مؤثرتر به دستورهای کار درخواستی (On-Demand Work Orders) یا بازرسی‌های دوره‌ای (Routine Inspections) پاسخ دهند [10].

چالش‌های موجود در جریان‌کاری سنتی CMMS/EAM:

اگرچه CMMS/EAM عناصر اساسی در مدیریت نگهداشت به‌شمار می‌آیند، اما جریان‌کاری سنتی (Typical Workflow) در این سیستم‌ها همچنان به منابع انسانی برای آماده‌سازی دستورهای نگهداشت (Manual Resources for Maintenance Orders Preparation) و تخصیص نگهداشت‌کاران (Maintenance Technician Allocation) وابسته است.

فاز پاسخگویی (Response Phase):
 این فاز شامل موارد زیر است:

• تشخیص وقوع مشکل (Detection of an Occurrence): مانند خرابی ماشین‌آلات؛
  
  

• ایجاد دستور کار (Creation of a Work Order): که می‌تواند به‌صورت دستی (Manually) یا خودکار (Automatically) ایجاد شود؛
  
  

• ارزیابی نیازمندی‌های اقدام (Evaluation of Action Requirements): که توسط تحلیل‌گر نگهداشت (Maintenance Analyst) بررسی و برای اجرا توسط یک تکنسین برنامه‌ریزی می‌شود.
  
  

مشکلات فرآیند سنتی:

این فرآیند سنتی ممکن است گلوگاه‌هایی (Bottlenecks) ایجاد کند، به‌ویژه زمانی که تعداد زیادی درخواست نگهداشت (High Numbers of Maintenance Requests) ایجاد می‌شود. نتیجه این گلوگاه‌ها می‌تواند شامل موارد زیر باشد:

• افزایش هزینه‌ها (Increased Costs): به دلیل عدم رسیدگی به‌موقع به مشکلات؛
  
  

• افت عملکرد تجهیزات (Decreased Equipment Performance): به دلیل تاخیر در نگهداشت؛
  
  

• توقف‌های ناخواسته در تولید (Unexpected Downtime): که بهره‌وری عملیاتی را کاهش می‌دهد.

از دیدگاه یکپارچه‌سازی (Integration Perspective)

براساس استاندارد ISA-95/IEC62264 [12]، سیستم‌های CMMS/EAM در سطح ۳ هرم اتوماسیون (Automation Pyramid) قرار می‌گیرند؛ یعنی در همان سطحی که سیستم‌های اجرای تولید (MES - Manufacturing Execution Systems) قرار دارند. از این منظر، یکپارچه‌سازی داده‌ها (Data Integration) برای تبادل اطلاعات لحظه‌ای دارایی‌ها (مانند داده‌های حسگرها و وضعیت ماشین‌آلات) با سیستم‌های CMMS/EAM ضروری است.

بنابراین، یکپارچه‌سازی داده‌ها (Data Integration) به‌همراه تکنیک‌های خودکارسازی (Automatic Techniques) برای پشتیبانی از تصمیم‌گیری (Decision-Making) می‌تواند زمان‌های اجرای نگهداشت (Maintenance Lead-Times) را از تشخیص (Detection) تا اجرا (Execution) کاهش داده و جریان‌کاری سنتی CMMS/EAM را به یک جریان‌کاری هوشمند (Smart Workflow) تبدیل کند [13].

پیشرفت‌های اخیر در فناوری‌های حسگری و شبکه‌های صنعتی

پیشرفت‌های اخیر، دسترسی به حسگرها (Sensors)، سیستم‌های جمع‌آوری داده (Data Acquisition Systems)، کنترلرهای صنعتی (Industrial Controllers) و شبکه‌های رایانه‌ای (Computer Networks) را در حوزه تولید افزایش داده است [14]. این فناوری‌ها امکان یکپارچه‌سازی عمودی، افقی و انتها به انتها (Vertical, Horizontal, and End-to-End Data Integration) را فراهم می‌کنند؛ برای مثال:

• ماشین به سرور (Machine-to-Server)
  
  

• سرور به سرور (Server-to-Server)
  
  

• ماشین به ماشین (Machine-to-Machine)
  
  

این ارتباطات از طریق پروتکل‌های استاندارد ارتباطی (Standardized Communication Protocols) مانند OPC UA، MQTT و RESTful HTTP برقرار می‌شود [15].

معیارهای تصمیم‌گیری در تحلیل و برنامه‌ریزی نگهداشت

با این حال، مراحل تحلیل و برنامه‌ریزی نگهداشت (Maintenance Analysis and Planning Stages) به معیارهای متعددی وابسته است که باید در فرآیند تصمیم‌گیری مورد توجه قرار گیرند، از جمله:

• جنبه‌های ایمنی (Safety Aspects)
  
  

• هزینه‌های خرابی (Failure Costs)
  
  

• اولویت‌بندی (Prioritization)
  
  

• کیفیت محصول (Product Quality)
  
  

• تجربه نیروی انسانی (Manpower Experience)
  
  

• دسترس‌پذیری تجهیزات (Availability)
  
  

علاوه بر این، برخی از این معیارها قابل اندازه‌گیری به‌صورت مالی نیستند، که این موضوع ارزیابی آن‌ها را پیچیده‌تر (Complex Evaluation) می‌کند [16]. بنابراین، استفاده از دانش کارشناسی (Expert Knowledge) می‌تواند به تجمیع اطلاعات کیفی و کمی (Qualitative and Quantitative Information) برای حمایت از تحلیل‌ها و بهبود تصمیمات (Support Analysis and Improve Decisions) در این مراحل کمک کند [17].

استفاده از روش‌های تصمیم‌گیری چندمعیاره (MCDM) و یادگیری ماشین (ML):

از این منظر، روش‌های تصمیم‌گیری چندمعیاره (Multiple Criteria Decision Making - MCDM) تلاش می‌کنند مجموعه‌ای از معیارها را برای کمک به تصمیم‌گیرندگان در ارزیابی سناریوهای پیچیده (Evaluate Complex Scenarios) به‌کار گیرند. این رویکرد منجر به ایجاد مجموعه‌ای محدود از گزینه‌ها (Finite Set of Alternatives) می‌شود که تصمیم‌گیرندگان باید آن‌ها را ارزیابی، انتخاب یا رتبه‌بندی کنند [1].

بر اساس اهمیت هر معیار، مجموعه‌ای از وزن‌ها به معیارها اختصاص داده شده و با استفاده از معیارهای مناسب (Suitable Metrics)، هر گزینه با توجه به هر معیار ارزیابی می‌شود. سپس رتبه‌بندی نهایی (Final Ranking) صورت گرفته و گزینه‌ها از بهترین تا بدترین (Best to Worst) اولویت‌بندی می‌شوند [16].

طبق گفته [18]، روش‌های MCDM می‌توانند به سیستم‌های CMMS/EAM متصل شوند تا قابلیت‌های پشتیبانی تصمیم‌گیری را افزایش دهند و به داده‌های جمع‌آوری‌شده در زمینه نگهداشت پیش‌بینانه ارزش افزوده‌ای بدهند.

از سوی دیگر، تکنیک‌های پیش‌بینی (Prediction Techniques) یک حوزه تحقیقاتی بسیار بحث‌برانگیز و از موضوعات پرطرفدار در صنایع تولیدی هستند [19]. در این راستا، تکنیک‌های یادگیری ماشین (Machine Learning - ML) می‌توانند برای کشف روابط میان ویژگی‌ها (Discover Relations Among Features) به‌کار گرفته شوند. از منظر مدیریت نگهداشت، این اطلاعات می‌تواند برای پیش‌بینی رفتار سیستم (Predict System Behavior)، تشخیص رویدادهای غیرعادی (Predict Abnormal Events)، تولید هشدار (Generate Warnings) و اطلاع‌رسانی به سیستم‌ها و اپراتورها (Notify Systems and Operators) به‌منظور تشخیص و انجام وظایف نگهداشت (Diagnosis and Maintenance Tasks) استفاده شود [20, 21, 22].

پیشنهاد پژوهش:

پیشنهاد این پژوهش، تبدیل جریان‌کاری سنتی مدیریت نگهداشت به یک جریان‌کاری هوشمند (Smart Workflow) است. این بهینه‌سازی در حوزه‌های آماده‌سازی دستورهای نگهداشت (Preparing Maintenance Orders) و تخصیص فعالیت‌ها به نگهداشت‌کاران (Allocating Activities to Maintainers) انجام می‌شود تا فرآیندها سریع‌تر اجرا شده و گلوگاه‌های ناشی از فعالیت‌های دستی (Bottlenecks Caused by Human Activities) کاهش یابند.

چارچوب‌های پیشنهادی:

در این مقاله، دو چارچوب (Framework) برای یکپارچه‌سازی ML و MCDM به‌منظور ایجاد قابلیت‌های جریان‌کاری هوشمند (Smart Workflow Capabilities) معرفی شده است:

1. چارچوب موازی (Parallel Framework):
   
   

   • در این رویکرد، ML و MCDM به‌طور همزمان در مرحله طبقه‌بندی (Classification Stage) به‌کار گرفته می‌شوند.
     
     

   • هدف از این روش، کاهش هزینه‌های محاسباتی (Computational Costs) است؛ بدین صورت که روش کم‌هزینه‌تر MCDM ابتدا طبقه‌بندی را انجام می‌دهد و تنها در صورت نیاز به دقت بیشتر، از ML به‌عنوان یک اثبات واقعی استفاده می‌شود.
     
     

   • این چارچوب برای انتخاب مناسب‌ترین نگهداشت‌کار (Selecting the Most Suitable Maintainer) جهت انجام فعالیت نگهداشت به‌کار می‌رود.
     
     

2. چارچوب سریالی (Serial Framework):
   
   

   • در این رویکرد، MCDM مسئول انتخاب بهترین ویژگی‌ها برای ML (Best Feature Selection for ML) است تا دقت نتایج افزایش یابد.
     
     

   • در این ساختار، ML به‌عنوان یک روش طبقه‌بندی (Classification Method) عمل می‌کند.
     
     

   • MCDM نقش پشتیبانی تصمیم‌گیری (Decision-Making Support) برای عملیات ML را ایفا می‌کند.
     
     

   • این چارچوب به‌ویژه برای تکمیل فرم‌های دستور نگهداشت (Filling in Maintenance Order Forms) استفاده می‌شود.
     
     

ساختار مقاله:

• بخش 2: مفاهیم اصلی و مطالعات مرتبط؛
  
  

• بخش 3: معرفی جریان‌کاری هوشمند در سیستم‌های CMMS/EAM؛
  
  

• بخش 4: تشریح چارچوب‌های سریالی و موازی برای تکمیل فیلدها و انتخاب نگهداشت‌کاران؛
  
  

• بخش 5: ارائه مطالعه موردی و نتایج به‌دست‌آمده؛
  
  

• بخش 6: نتیجه‌گیری و جمع‌بندی نهایی.

بخش‌های اصلی مقاله 

پیشینه و کارهای مرتبط (Background and Related Works)

این بخش به مرور کلی بر موضوعات اصلی این پژوهش می‌پردازد که شامل سیستم‌های نگهداشت و مدیریت دارایی (Maintenance and Asset Management Systems)، یکپارچه‌سازی صنعتی (Industrial Integration)، یادگیری ماشین (Machine Learning) و تصمیم‌گیری (Decision Making) است.

به سوی جریان‌کاری هوشمند در سیستم‌های CMMS/EAM (Towards a Smart Workflow in CMMS/EAM Systems)

به‌منظور رفع کمبودهای موجود در تحلیل تصمیم‌گیری (Decision Analysis) در سیستم‌های CMMS/EAM، این تحقیق پیشنهاد می‌کند که این کمبودها با تکمیل خودکار فرم‌های دستور نگهداشت (Maintenance Order Forms) و تخصیص خودکار فعالیت‌ها به نگهداشت‌کاران (Automatic Allocation of Activities to Maintainers)، با استفاده از تکنیک‌های MCDM و ML تا حدی پوشش داده شوند.

طبق گزارش [51]، سیستم‌های مدیریت نگهداشت مدرن باید از خودمختاری (Autonomy) لازم برای زمان‌بندی نگهداشت (Schedule Maintenance)، پیش‌بینی خرابی ماشین‌آلات (Forecast Machine Malfunctions and Breakdowns) و پشتیبانی از خودسازماندهی (Self-Organization) و خودانطباقی (Self-Adaptation) در مواجهه با شرایط جدید برخوردار باشند.

چارچوب‌ها (Frameworks)

چارچوب سریالی (Serial Framework):
 این چارچوب برای طبقه‌بندی فیلدهای فرم‌های دستور نگهداشت (Classification of Fields in Maintenance Order Forms) طراحی شده است، به‌گونه‌ای که این فیلدها بتوانند به‌طور خودکار توسط سیستم تکمیل شوند. این فرآیند در راستای محرک‌های قوانین نگهداشت پیش‌بینانه (Predictive Maintenance Rules Triggers) عمل می‌کند که در تحلیل نقاط پیش‌بینی‌شده به‌کار می‌رود.

نقاط پیش‌بینی‌شده (Predictive Points):
 این نقاط، دارایی‌هایی هستند که حسگرها (Sensors) بر روی آن‌ها نصب شده و داده‌ها به‌صورت بلادرنگ (Real-Time) پایش می‌شوند تا خرابی‌های احتمالی (Possible Failures) پیش‌بینی شوند. سیگنال‌های دریافتی از حسگرها از طریق دستگاه‌های ارتباطی (Communication Devices) مانند PLC منتقل می‌شوند.

مطالعه موردی (Application Case)

مطالعه موردی در یک شرکت چندملیتی با منشاء برزیلی انجام شده است که ارائه‌دهنده سیستم‌های مدیریت نگهداشت و مدیریت دارایی (Maintenance and Asset Management System) است. این شرکت حدود ۸۵ مشتری دارد که جمعاً ۲۵ هزار کاربر در سراسر جهان، از جمله در کشورهای ایتالیا، ایالات متحده، پرتغال، مکزیک و شیلی از آن استفاده می‌کنند.

در زمان ایجاد دستورهای نگهداشت در سیستم، تکنیک‌های MCDM و ML در رویکرد سریالی برای تکمیل فیلدهای فرم‌های دستور نگهداشت (Filling in Fields on the Maintenance Order Form) و در رویکرد موازی برای تخصیص فعالیت‌های نگهداشت (Allocating Maintenance Activities) به کار گرفته شده‌اند.

نتیجه‌گیری (Conclusion)

در این مقاله، دو پیشنهاد (Two Proposals) برای یکپارچه‌سازی روش‌های مورد استفاده در حوزه‌های نگهداشت ارائه شده است تا فرآیندهای نگهداشت بهینه‌سازی (Optimize the Maintenance Process) شده و جریان‌کاری نگهداشت (Maintenance Workflow) به یک جریان‌کاری هوشمند (Smart Workflow) تبدیل شود.

این تغییر، منجر به کاهش زمان اجرای فرآیندها (Reducing the Lead Time) در سیستم‌های CMMS/EAM شده است. خودکارسازی جریان فرآیندها (Automation of the Process Flow) در دو گلوگاه اصلی جریان‌کاری نگهداشت (Two Bottlenecks of the Maintenance Flow) در سیستم‌های CMMS/EAM انجام شد.

چارچوب‌ها (Frameworks) به دو رویکرد سریالی (Serial) و موازی (Parallel) تقسیم شدند که هدف از آن‌ها، یکپارچه‌سازی روش‌ها (Integration of Methods) با تکیه بر دو رویکرد وابسته به هم بود.

Powered by Froala Editor