| نوع مدرک: | متون چاپی |
| سرشناسه | پاک منش ، ایمان، نویسنده |
| شماره بازیابی : | EES 7 1404 |
| عنوان : | بهبود دقت تشخیص تجهیزات بحرانی الکتریکی در بخش خط ورق قلع اندود صنعت فولاد به کمک روشهای یادگیری ماشین غیر نظارتی |
| عنوان موازی : | Improving the Accuracy of Critical Electrical Equipment Detection in the Tinplate Line of the Steel Industry Using Unsupervised Machine Learning Methods |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1404 |
| صفحه شمار: | 108ص |
| شابک/شاپا | 26083 |
| یادداشت | پایان نامه کارشناسی ارشد :در رشته مهندسی برق گرایش مدیریت و برنامه ریزی انرژی الکتریکی |
| شناسه افزوده : | شفیعی ، احمد رضا، استاد راهنما |
| توصیفگرها | قابلیت اطمینان، تجهیزات بحرانی، یادگیری ماشین غیرنظارتی، خوشهبندی فازی، دادهکاوی، مدیریت نگهداری و تعمیرات، صنعت فولاد، ورق قلع اندود Reliability, Critical Equipment, Unsupervised Machine Learning, Fuzzy Clustering, Data Mining, Maintenance Management, Steel Industry, Tinplate |
| چکیده : | بخش ورق قلع اندود در صنعت فولاد بهعنوان یکی از مهمترین بخشهای تولیدی، نقش حیاتی در بهرهوری و کیفیت محصولات نهایی دارد. به همین دلیل، شناسایی تجهیزات بحرانی این بخش و افزایش قابلیت اطمینان آنها از اصول اساسی مدیریت نگهداری و تعمیرات است. با توجه به پیچیدگی و تنوع تجهیزات و همچنین افزایش نیاز به تولید، روشهای سنتی شناسایی تجهیزات بحرانی دیگر پاسخگوی نیازهای فعلی نیستند. در این تحقیق، از روشهای یادگیری ماشین غیرنظارتی بهمنظور شناسایی تجهیزات بحرانی و ارزیابی قابلیت اطمینان در بخش ورق قلع اندود استفاده شده است. در این راستا، دادههای جمعآوریشده از این بخش پس از انجام پیشپردازشهای لازم، برای تحلیل و خوشهبندی به کار گرفته شدند. از الگوریتم خوشهبندی فازی استاندارد و خوشهبندی فازی با توابع فاصله فازیشده برای خوشهبندی تجهیزات استفاده شد. تجهیزات به 5 خوشه تقسیم شدند و ارزیابی کارایی روش پیشنهادی با استفاده از معیارهای OBJ (تابع هدف خوشهبندی) و MSD (مجموع میانگین مربعات فاصلهها تا مرکز خوشهها) انجام شد. نتایج نشان داد که روش پیشنهادی عملکرد بسیار بهتری نسبت به الگوریتم خوشهبندی فازی استاندارد داشته است. در روش پیشنهادی، مقدار MSD برابر با 1057 و مقدار OBJ برابر با 1.18 به دست آمد، در حالی که این مقادیر در روش پایه به ترتیب 1501 و 14 بودند. این نتایج نشاندهنده بهبود کیفیت خوشهبندی و کاهش خطاها است. همچنین مشخص شد که افزایش حجم دادهها منجر به بهبود قابلتوجه دقت و کارایی روشهای دادهکاوی و یادگیری ماشین میشود. بهطور کلی، این تحقیق نشان میدهد که روشهای دادهکاوی و یادگیری ماشین غیرنظارتی میتوانند ابزاری کارآمد برای شناسایی تجهیزات بحرانی و ارزیابی قابلیت اطمینان در بخش ورق قلع اندود صنعت فولاد باشند |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=14919 |
| زبان مدرک : | فارسی |