Big data analytics based fault prediction for shop floor scheduling

برنامه ریزی کار فعلی عمدتا مربوط به دسترسی منابع ماشینکاری است، نه به اشتباهات احتمالی پس از برنامه ریزی. برای به حداقل رساندن چنین خطاهایی در پیشبرد، این مقاله رویکرد پیش بینی خطای مبتنی بر تجزیه و تحلیل داده ها را برای برنامه ریزی طبقه کارخانه ارائه می دهد. در چارچوب، وظایف ماشینکاری، منابع ماشینکاری و فرایندهای ماشینکاری با ویژگی های داده نشان داده می شوند. بر اساس اطلاعات موجود در طبقه کارخانه، خطاهای خطای احتمالی / خطا، با توجه به اشتباهات ماشینکاری، گسل های دستگاه و شرایط نگهداری، برای زمان بندی های نامناسب قبل از ماشینکاری و خطاهای آینده در طی ماشینکاری استخراج می شوند. مقایسه وظایف ارائه شده با داده ها با الگوهای خطای معدنی، شباهت ها یا تفاوت های آنها محاسبه می شود. بر اساس شباهت های محاسبه شده، احتمال اشتباهات از وظایف برنامه ریزی شده یا کارهای ماشینکاری فعلی را می توان به دست آورد، و آنها را ارجاع تصمیم گیری برای برنامه ریزی و برنامه ریزی مجدد وظایف ارائه می کنند. با بازنشستگی وظایف با خطر بالا با دقت، اشتباهات احتمالی را می توان اجتناب کرد. در این مقاله، معماری رویکرد شامل سه مرحله در سه سطح پیشنهاد شده است. علاوه بر این، داده های بزرگ در سه سطح شامل داده های محلی، داده های شبکه محلی و داده های ابر محسوب می شوند. برای اجرای این ایده، چندین تکنیک کلیدی به طور دقیق نشان داده شده است، برای مثال ویژگی داده، پاکسازی داده ها، ادغام داده ها از پایگاه های داده در سطوح مختلف و الگوریتم های تحلیلی داده های بزرگ. در نهایت، مطالعه موردی ساده شده برای نشان دادن روند پیش بینی روش پیشنهادی است.