کاربرد داده کاوی در مهندسی صنایع


داده کاوی (Data Mining) مجموعهای از ابزارهای مهم و کاربردی است، که قطعاً در هر رشته و حوزه کاری، که داده و اطلاعات وجود دارد، میتواند کاربرد داشته باشد. اصولاً در داده کاوی، سعی میشود انبوه دادهها و اطلاعات در دسترس، به طریقی به نوعی از دانش تبدیل شود، که بیانی بسیار خلاصه و مفید از پدیدهها را ارائه مینماید.
مفهوم داده کاوی (Data Mining)
مقالات مروری بسیاری در زمینه کاربردهای داده کاوی در حوزه مهندسی صنایع، مدیریت تولید، تحقیق در عملیات و زمینههای مرتبط نوشته شده است. مطالعه این موارد، برای اطلاع جامع و کامل از کاربردهای داده کاوی در این حوزهها، قطعاً مفید خواهد بود. اما قدر مسلم این است که، تقریباً همه روشهای داده کاوی، تا کنون بر روی مسائل و کاربردهای مختلف مورد استفاده قرار گرفتهاند.
مثالهای کاربرد داده کاوی در مهندسی صنایع
به عنوان مثال، در زمینه مدیریت زنجیره تأمین (Supply Chain Management) یا SCM، روشهای مختلف طبقه بندی (نظارت شده) و خوشه بندی (غیر نظارت شده) برای گروه بندی مشتریان، خدمات دهندگان و کالاها (یا خدمات) مورد استفاده واقع شدهاند و هدف اصلی آنها، ایجاد یک تصویر بیان خلاصهتر از زنجیره تأمین بوده است.
در زمینه مسائل زمان بندی، به ویژه در مواردی که ماشینها با قابلیتهای مختلف و وظایف با نیازمندیهای متفاوت وجود دارند (مثلاً مانند مسأله زمان بندی منعطف یا Flexible Jobshop Scheduling Problem) یا FJSP، امکان ایجاد راه حل اولیه مناسب و حتی شبه بهینه (sub-optimal) با استفاده از رویکردهای داده کاوی وجود خواهد داشت. این موضوع نیز، میتواند با استفاده از رویکردهای طبقه بندی یا خوشه بندی انجام شود.
موضوع طراحی مهندسی (Engineering Design)، شامل مجموعه وسیعی از مسائل بهینه سازی و مهندسی است، که بنا بر شرایط محیط صنعتی و بازار هدف، غالباً به صورت یک مسئله با دینامیک بالا و اغلب به صورت توأم با عدم قطعیت طرح میشود. داشتن یک سری قواعد سر انگشتی برای تصمیم گیری سریع، با استفاده از روشهای داده کاوی (به ویژه روشهای رگرسیون) قابل انجام خواهد بود.
استفاده از روشهای داده کاوی برای تحلیل نتایج به دست آمده از سیستمهای تولیدی (Manufacturing Systems)، به منظور بهینه سازی روند تولید و یا اشکال زدایی از آن، یکی دیگر از مهمترین زمینههای کاربردی داده کاوی در این حوزه محسوب میشود. برای موضوع تشخیص و طبقه بندی خطا در سیستمهای تولید، و ایجاد هشدارهای مهم برای ناظران، روشهای طبقه بندی میتوانند کاربرد داشته باشند. در خصوص بهینه سازی روند تولید و اتوماسیون خطوط تولید، استفاده از روشهای مبتنی بر قواعد (Rule-based Systems) مرسومتر و کارآمدتر است. موضوع مدیریت و کنترل کیفیت نیز، یکی دیگر از زمینههای بسیار مهم و کاربردی داده کاوی در زمینه سیستمهای تولید است.
موضوع سیستمهای تصمیم یار یا پشتیبان تصمیم (Decision Support Systems) نیز، به عنوان یک موضوع بسیار کلیتر، که تقریباً در همه زمینههای تخصصی و فنی کاربرد دارد، میتواند در حوزه مهندسی صنایع و زمینههای مرتبط کاربرد داشته باشد. یکی از رویکردهای طراحی چنین سیستمهایی، که به مدیران و مهندسین ناظر بر فرایندها امکان تصمیم گیری سریع، اصولی و درست را میدهد، استفاده از رویکردهای مبتنی بر کشف دانش (Knowledge Discovery) و داده کاوی است.
کاربرد داده کاوی در طراحی چیدمان (Layout Design) و باز آرایی واحدهای صنعتی نیز، تا کنون در چندین کار پژوهشی مورد مطالعه واقع شده است و نتایج جالبی از آن به دست آمدهاند. به عنوان مثال، از روش کاوش قواعد وابستگی (Association Rule Mining) برای حل مسائلی نظیر سیستمهای تولید سلولی و تشکیل سلولها، استفاده شده است. در این حوزه، بیشتر روشهای مبتنی بر سیستمهای خبره (Expert Systems) و همین طور سیستمهای چند عاملی (Multi-agent Systems) تا کنون کاربرد داشتهاند و طبعاً جای کار برای استفاده از روشهای دیگر در این حوزه، وجود دارد.
موضوع تعمیرات و نگهداری، و همین طور موضوع قابلیت اطمینان در سیستمها، مجموعهای از مسائل هستند که میتوان از روشهای داده کاوی برای حل آنها استفاده نمود. فرمولهایی که برای تخمین قابلیت اطمینان در سیستمها استفاده میشوند، بعضاً دارای هزینه محاسباتی بالایی هستند. بعضاً نیز، قابلیت اطمینان یک سیستم، چندان فرمول پذیر و محاسبه پذیر نیست. با استفاده از رویکردهای رگرسیون و مدل سازی، میتوان مدلی سریع و محاسباتی برای تخمین مقدار قابلیت اطمینان، احتمال خرابی، پیش بینی زمان خرابی آتی، پیش بینی نرخ و میزان خرابی و مواردی از این قبیل استفاده نمود. در مورد مباحث تعمیرات و نگهداری، و اعمال سیاستهای بهینه در این خصوص به را مدیریت هزینهها و همین طور افزایش کارایی و کیفیت سیستمها، امکان استفاده از روشهای داده کاوی وجود دارد. برای تصمیم گیری مناسب، میتوان از روشهای طبقه بندی، خوشه بندی و یا مبتنی بر قواعد استفاده نمود و برای انجام تخمین در خصوص کمیتهای پیوسته موجود در سیستم، امکان استفاده از رویکردهای مبتنی بر رگرسیون غیر خطی، وجود دارد.
موضوع مدیریت ارتباط با مشتریان (Customer Relationship Management) یا CRM و موارد نظیر آن نیز، از جمله مواردی هستند که به دفعات از روشهای داده کاوی برای حل مسائل مربوط به این حوزهها، استفاده شدهاند. البته این موارد و کاربردهای مشابه آن، در زیر مجموعه هوش تجاری (Business Intelligence) یا BI نیز مورد مطالعه قرار میگیرند، که زمینه بسیار مهمی در کاربردهای داده کاوی است.
شما میتوانید با جستجو برای مقالای مروری (Review یا Survey) و اضافه کردن کلید واژههای مناسب، مقالات و مراجع مناسب برای این زمینههای کاربردی را، پیدا کنید. قطعاً مطالعه این موارد، اطلاعات شما در این زمینه، و طرز کارکرد این سیستمها را، به صورت کاملتری برای شما روشن خواهد کرد.
اگر تمایل به مطالعه بیشتر در مورد این موضوعات را داشته باشید؛ شاید آموزش های زیر نیز برای شما مفید باشند:
- مجموعه آموزش های داده کاوی یا Data Mining در متلب
- آموزش اصول و روش های داده کاوی (Data Mining)
- آموزش داده کاوی در RapidMiner
#
سلام وقت بخیر من دانشجویی ارشد بهینه سازی هستم و موضوع داده کاوی در زنجیره تامین موضوع پایان نامه ارشدم هست می خواستم بدونم شما دوره ای یا فیلم اموزشی و یا مقالاتی که به صورت اختصاصی در این حوزه هست می دونید که بهم معرفی کنید؟
با تشکر
سلام خسته نباشد
من دانشجوی کارشناسی مهندسی نرم افزارم و پایتون کار میکنم دنبال تحقیقی بودم در مورد (Data maining)که با پایتون هم نوشته میشه بهم کمک بیشتری کنه بیشتر از جزییات بدونم لطفا مقاله ای مدنظر دارید معرفی کنید
مقاله شما معالعه کردم ولی زیاد جالب نبود دید کلی نسبت به این موضوع داشت
سلام وقت بخیر من دانشجوی ارشد بهینه سازی سیستم ها هستم به موضع استفاده داده کاوی در حل مسئله ّFJSP علاقمند هستم ولی نتونستم مقاله ی مرتبط پیدا کنم میخواستم خواهش کنم که در صورت امکان منبع که ازش برای این مورد استفاده کردید رو به منم معرفی کنین .
درود، سپاس از زمانی که به ارائه بازخورد اختصاص دادید. تلاش میکنیم در زمان مناسب به مبحث مورد نظر بپردازیم.