افزایش راندمان تولید ماشین آلات تکسچرایزینگ

چکیده:
در این تحقیق، به منظور افزایش بهره‌وری تولید ماشین‌ آلات تکسچرایزینگ، روند افزایش توقفات ماشین مدل‌سازی شده‌است. داده‌های مربوط به مدت زمان توقفات و میزان تولید از‌طریق هوش تجاری پاور بی‌آی جمع‌آوری و تحلیل گردید.

سپس با استفاده از رگرسیون چندجمله‌ای درجه سه در نرم افزار MATLAB، مدلی جهت پیش‌بینی روند افزایش توقفات ارائه شد که این روش نسبت به سایر روش‌های رگرسیون، روند غیرخطی توقفات را با دقت بیشتری نمایش می‌دهد. این مدل قابلیت شناسایی زمان‌های بهینه را جهت توقف کامل ماشین و اعمال تعمیرات پیشگیرانه فراهم می‌کند. نتایج حاکی از آن است که مدل ارائه‌شده منجر به کاهش مدت زمان توقفات و افزایش راندمان تولید می‌شود.

افزایش راندمان تولید ماشین آلات تکسچرایزینگ

۱- مقدمه
ماشین تکسچرایزینگ مورد بررسی در این پژوهش شامل ۲۴۰ مسیر تولید نخ تکسچره با تاب مجازی است. در تولید یک همبافت با شرایط مشخص، خرابی قطعات دوار مسیر‌ها به توقف مسیر مربوطه منجر می‌شود. این نوع خرابی‌ها به دلیل ماهیت دوار بودن اجزا، امکان تعمیر را در‌حین فعالیت دستگاه ندارند و سایر مسیرها همچنان به تولید ادامه می‌دهند تا زمانی که تمام ماشین برای تعویض همبافت به‌طور کامل متوقف شود. به عبارت دیگر، مسیرهایی که متوقف می‌شوند، حتی در تعداد اندک، اگر برای مدت زیادی تعمیر نشوند، تأثیر قابل‌توجهی بر راندمان کل دستگاه خواهند داشت.

این پژوهش به دنبال توسعه یک شاخص کنترلی مبتنی بر دو عامل یکی تعداد مسیرهای متوقف و دیگری مدت زمان توقف مسیرها است که با استفاده از آن بتوان زمان بهینه را برای توقف کل ماشین جهت انجام تعمیرات شناسایی کرد، به صورتی که توقف مذکور نه‌تنها باعث افت راندمان نشود، بلکه باعث کاهش تولید از دست رفته ناشی از مسیرهای متوقف و در نتیجه افزایش بهره وری شود[۱و۲]. از دیگر اهداف این تحقیق، پیش‌بینی و مدیریت توقفات آینده از ‌طریق مدل‌سازی داده‌ها است.

۳- روش حل مسئله

برای حل این مسئله، ابتدا مقدار بهینه شاخص کنترل توقفات را از‌طریق تأثیر توقف کامل ماشین در افت راندمان تولید محاسبه کرده، سپس با استفاده از داده‌های توقفات مسیر‌ها، که از پاور بی‌آی [۳] استخراج شده است، روند غیر‌خطی افزایش این نوع توقفات را بررسی کرده و از ‌طریق رگرسیون غیرخطی در نرم‌افزار MATLAB، تابعی جهت مدل‌سازی و پیش‌بینی روند افزایشی توقفات مشخص می‌شود و با در‌نظر گرفتن مقدار شاخص کنترل توقفات در مدل به دست آمده، اختلاف مدت زمان توقفات و میزان تولید از‌ دست‌ رفته در حالات مختلف بررسی و مقایسه می‌شود.

۱-۳- محاسبه شاخص کنترل توقفات (شاخص تجمعی زمان توقفات)
برای حل مسئله پیش رو می‌‌توان شاخصی جهت کنترل این توقفات تعریف کرد، به صورتی که اگر مدت توقف از شاخص تعیین شده تجاوز کرد، توقف کل ماشین به‌صرفه‌تر از تولید با چندین مسیر متوقف خواهد بود. در این رابطه بایستی درنظر داشت که مدت زمان توقف یک ماشین جهت تعمیرات، راه‌اندازی و نخ‌کشی آن چقدر است.

باتوجه به شاخص مدت زمان متوسط جهت تعمیرات ماشین مورد بررسی، مدت زمان تعمیرات ۱ ساعت و مدت زمان راه‌اندازی و نخ‌کشی نیز ۱ ساعت می‌باشد که مجموعا معادل ۲ ساعت توقف می‌شود. طبق رابطه (۱)، مجموعاً در ۲۴ ساعت یک روز کاری، تولید به میزان ۳/۸ درصد افت خواهد داشت. این میزان افت در راندمان تولید، ∆η می‌باشد.

حال شاخص کنترل توقفات به این صورت تعریف می‌شود: اگر افت راندمان تولید ناشی از مجموع مدت توقفات مسیر‌های یک ماشین تکسچره در طی چند روز متوالی، مساوی و یا بیشتر از افت راندمان ۳/۸ درصدی شود، توقف کل ماشین جهت انجام تعمیرات، بهینه‌تر خواهد بود (رابطه (۲)). طبق رابطه‌های (۳و۴)، اگر N_(i(i=1,2,⋯,۲۴۰)) برابر با تعداد روز توقف یک مسیر با شماره مشخص (۱ تا ۲۴۰) باشد و P مقدار تولید یک مسیر برحسب کیلوگرم را مشخص کند، ∑_1^240N_i شاخص کنترل توقفات خواهد بود، به عبارت دیگر اگر مدت زمان تجمعی توقفات مسیر‌ها در طول مدت تولید یک همبافت نخ مشخص، حداقل ۲۰ (روز-مسیر) باشد، توقف کامل ماشین جهت رفع عیب مسیر‌های متوقف به صرفه‌‌‌تر از ادامه دادن به تولید با مسیر‌های متوقف قبلی است.

۲-۳- مدل‌سازی روند افزایش توقفات
جهت مدل‌سازی روند افزایش توقفات، داده‌های توقفات مسیر‌های یک ماشین تکسچرایزینگ در مدت تولید یک همبافت مشخص در مدت زمان ۲۴ روز بررسی شده است. سپس با استفاده از روش رگرسیون غیر‌خطی چندجمله‌ای، منحنی روند افزایش توقفات (مدت زمان تجمعی توقفات بر حسب تعداد روز تولید ماشین) مدل‌سازی و تابع آن مشخص گردید (نمودارهای (۱و۲)).

۱-۲-۳- روش رگرسیون غیر‌خطی چندجمله‌ای
رگرسیون غیرخطی چندجمله‌ای یکی از روش‌های متداول برای مدل‌سازی روابط پیچیده میان متغیرهاست که در آن، داده‌ها الگوهای غیرخطی نشان می‌دهند و نمی‌توانند به‌درستی با مدل‌های خطی توصیف شوند. در این روش، متغیر وابسته به‌عنوان تابعی از چندجمله‌ای با توان‌های متغیر مستقل بیان می‌شود.

به همین علت، رگرسیون درجه سه در پیش‌بینی روند، کنترل فرآیندها و تحلیل سری‌های زمانی استفاده می‌شود، به‌ویژه برای داده‌هایی که هم شامل تغییرات تدریجی و هم جهش‌های ناگهانی باشند. برای ارزیابی دقت مدل رگرسیون چندجمله‌ای درجه سه، از ضریب تعیین رگرسیون R2 استفاده شد.

این شاخص میزان تناسب مدل با داده‌ها را مشخص کرده و به عنوان معیاری برای توانایی مدل در پیش‌بینی و توضیح تغییرات متغیر وابسته استفاده می‌شود. مقداری نزدیک به ۱ نشان‌دهنده ارتباط قوی بین مدل و داده‌های واقعی است[۴]. در این پژوهش، رگرسیون درجه سه به‌دلیل انعطاف‌پذیری در توصیف تغییرات و دقت بالا در برازش داده‌های موجود انتخاب شده است.

روند افزایشی توقفات تجمعی مسیرهای ماشین تکسچرایزینگ در یک همبافت ۲۴ روزه در نمودار (۱) به ازای سه حالت مختلف ترسیم شده است؛ حالت اول: بدون توقف ماشین، حالت دوم: با درنظر گرفتن یک مرتبه توقف ماشین در زمانی که ∑_1^۲۴۰▒N_i ≥۲۰شده است و حالت سوم: با اعمال دو مرتبه توقف در زمانی که ∑_1^۲۴۰▒N_i ≥۲۰ شده است. برای به دست آوردن معادله رگرسیون چند‌جمله‌ای درجه سه، از نرم‌افزار MATLAB و تابع پلی‌فیت استفاده شده است.

در نمودار (۲)، منحنی تابع‌های رگرسیون هر حالت به صورت مجزا رسم شده است. مقدار ضریب تعیین رگرسیون R2 در هر سه حالت منحنی‌ها بسیار نزدیک به عدد یک بوده که این امر دلالت بر دقت بالای مدل رگرسیونی چندجمله‌ای درجه سه در پیش‌بینی روند توقفات و تحلیل رفتار سیستم دارد. توابع این منحنی‌ها همراه با ضریب تعیین رگرسیون R2 در نمودار (۲) مشخص شده است.

۴- نتیجه‌گیری

نتایج نشان می‌دهد که مدل پیشنهادی به‌خوبی توانسته است تغییرات توقفات مسیر‌ها را در بازه‌های زمانی مختلف توضیح داده و ارتباط مناسبی بین داده‌های واقعی و پیش‌بینی‌های ارائه‌شده برقرار کند. همچنین این روش امکان پیش‌بینی روند توقفات آینده را فراهم کرده و باعث می‌شود تصمیمات بهینه‌تری در مدیریت توقفات و افزایش راندمان تولید اتخاذ شود.
مطابق نمودار (۱)، دو حالت اصلی برای مدیریت توقفات ماشین تکسچرایزینگ در بازه زمانی روز نهم تا بیست و چهارم تولید وجود دارد:

۱. حالت اول (توقف ماشین در روز نهم تولید): در صورتی که ماشین در روز نهم به دلیل عبور مجموع مدت زمان توقفات تجمعی از مقدار بحرانی (۲۰ روز-مسیر) متوقف می‌گردید، میزان توقفات تجمعی از ۸/۱۳۷ به ۴/۷۸ (روز-مسیر) کاهش می‌یافت. این کاهش معادل با صرفه‌جویی ۴/۵۹ (روز-مسیر) می‌باشد که به عبارت دیگر معادل با توقف ۹/۵ ساعت کل ماشین است. با احتساب ۲ ساعت مورد نیاز برای تعمیرات و راه‌اندازی مجدد، در مجموع ۹/۳ ساعت از توقفات ماشین کاسته می‌شد.

۲. حالت دوم (توقف ماشین در روز نهم و هفدهم): در این حالت، اگر ماشین در دو روز نهم و هفدهم متوقف می‌شد، توقفات تجمعی از مقدار اولیه ۸/۱۳۷ به ۲/۴۴ (روز-مسیر) کاهش می‌یافت. این تفاوت به کاهش ۴/۹ ساعت توقف کلی ماشین منجر می‌شد. با احتساب دو توقف تعمیرات و راه‌اندازی (۴ ساعت)، صرفه‌جویی خالص ۴/۵ ساعت محقق می‌شد.

مقایسه این دو حالت نشان می‌دهد که توقف ماشین در دو تاریخ مشخص (روز نهم و هفدهم) نسبت به یک توقف تنها در روز نهم بهینه‌تر است. این رویکرد نه تنها توقفات تجمعی مسیر‌ها را به میزان قابل‌توجهی کاهش می‌دهد، بلکه باعث افزایش تولید و کاهش هزینه‌های ناشی از توقفات می‌شود.