هزینه های نگهداشت در سازمان ها روز به روز درحال افزایش است. بین 15 تا 50 درصد هزینه های عملیاتی مربوط به هزینه های نگهداشت و خرابی دارایی ها است. بنابر این اگر بتوانیم در این زمینه تصمیم گیری درستی داشته باشیم ، میتوانیم هزینه ها را کاهش داده و راندمان رو بصورت قابل توجهی افزایش دهیم.
بیان مسئله
- اگر امکان پیش بینی خرابی ها وجود داشته باشد باعث کاهش هزینه ها می شود.
- در صورت پیش بینی خرابی دارایی ها ، کیفیت محصول بالا میرود.
- در صورت پیش بینی خرابی دارایی ها ، راندمان تولید بالا می رود.
اهداف
- توسعه ی مدل های هوش مصنوعی یادگیری ماشین یا ماشین لرنینگ برای پیش بینی خرابی ها با دقت بالا
- ادغام داده های حسگر IOT داده های تاریخی و شرایط محیطی
- ایجاد سیستم های ریل تایم مونیتورینگ
نیازمندی های فنی
- زیرساخت داده ای
- الگوریتم های پیشنهادی شامل شبکه های عصبی ، الگوریتم هایی مثل رندوم فارست و …
خروجی مورد انتظار
- بتوانیم هزینه ها را کاهش دهیم یا راندمان را بالا ببریم.
