اولویت‌بندی و ارزیابی خرابی‌های اجزای مکانیکی ماشین تراش CNC مبتنی بر رویکرد FMEA فازی

ماشین های کشاورزی

مقاله 12، دوره 9، شماره 2 - شماره پیاپی 18، 1398، صفحه 399-414   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v9i2.73103

نویسندگان

علی ویسی؛ عباس روحانی^* ؛ محمد طبسی زاده؛ رسول خدابخشیان؛ فرهاد کلاهان

گروه مکانیک بیوسیستم، دانشگاه فردوسی مشهد، مشهد، ایران

چکیده

شناسایی خطرات و ارزیابی ریسک، روشی سازمان‌یافته نظام‌مند برای اولویت‌بندی ریسک‌ها و تصمیم‌گیری در راستای کاهش ریسک، با توجه به اهمیت مدیریت یکپارچه دارایی‌های فیزیکی در راستای بهبود قابلیت اطمینانِ سیستم‌های بحرانی در ماشین CNC و نیز پیوستگی عملیات ماشین‌کاری و کاهش توقف تولید بسیار حائز اهمیت است. با توجه به حجم وسیع کاربرد فرآیندهای ماشین‌کاری با CNC در صنایع قطعه‌سازی به‌ویژه ماشین‌های کشاورزی، مطالعه پیرامون تحلیل ریسک و مدیریت آن یک الزام مهم به‌شمار می‌رود. لذا این پژوهش با هدف شناسایی و اولویت‌بندی عوامل شکست اجزای مکانیک ماشین CNC که موجب وقفه در عملکرد آن می‌شوند انجام گرفت. در این پژوهش از تکنیک تجزیه و تحلیل حالات خرابی و اثرات آن (FMEA) در دو حالت مرسوم و فازی برای ارزیابی ریسک اجزای مکانیک ماشین تراش CNC استفاده و نتایج آن‌ها مقایسه شد. طبق نظرات کارشناسان برای اجزای مکانیک ماشین CNC تراش در مجموع 7 سیستم مهم و 30 زیر سیستم وجود دارد که حالت‌های خرابی عمدتاً در آن‌ها اتفاق می‌افتد. پس از ارزیابی مشخص شد که 2 سیستم اجزای محور و روان‌کاری حالت‌های خرابی‌شان در اولویت اول برای اقدامات کنترلی و اصلاحی قرار دارد. نتایج نشان داد رتبه‌بندی دقیق‌تر در روش FMEA فازی موجب بهبود اولویت‌بندی شده و در نتیجه بستر مناسب‌تری برای برنامه‌ریزی نگهداری و تعمیرات فراهم می‌کند.

کلیدواژه‌ها

اولویت‌بندی؛ FMEA فازی؛ ماشین CNC؛ مدیریت ریسک

مراجع

1. Chanamool, N., and T. Naenna. 2016. Fuzzy FMEA application to improve decision-making process in an emergency department. Applied Soft Computing 43: 441-453.

2. Chin, K. S., A. Chan, and J. B.Yang. 2008. Development of a fuzzy FMEA based product design system. The International Journal of Advanced Manufacturing Technology 36: 633-649.

3. Chiu, H. W., and C. H. Lee. 2017. Prediction of machining accuracy and surface quality for CNC machine tools using data driven approach. Advances in Engineering Software 114: 246-257.

4. Dağsuyu, C., E. Göçmen, M. Narlı, and A. Kokangül. 2016. Classical and fuzzy FMEA risk analysis in a sterilization unit. Computers & Industrial Engineering 101: 286-294.

5. Ebrahemzadih, M., G. Halvani, B. Shahmoradi, and O. Giahi. 2014. Assessment and risk management of potential hazards by failure modes and effect analysis (FMEA) method in Yazd Steel Complex. Open Journal of Safety Science and Technology 4: 127.

6. Guimarães, A. C. F., and C. M. F. Lapa. 2007. Fuzzy inference to risk assessment on nuclear engineering systems. Applied Soft Computing 7: 17-28.

7. Gupta, G., and R. Mishra. 2017. A Failure Mode Effect and Criticality Analysis of Conventional Milling Machine Using Fuzzy Logic: Case Study of RCM. Quality and Reliability Engineering International 33: 347-356.

8. Kamalnia, H., and H. Amjad Sardroodi. 2011. Risk assessment of milling machines and Corundum of the industrial production unit of an industry in the year 88. 7th Congress of Occupational Health and Safety.

9. Karbasian, M., B. Khayambashi, O. Yousefi, and P. Naseri. 2016. Assessment and Improvement of the Relability of the Pellets 23 MM Gun Tube Using Bayesian Networks and Fuzzy Failure Mode and Effect Analysis.

10. Lata, S., A. Gupta, A. Jain, S. Kumar, A. Srivastava, R. Rana, and R. Lal. 2016. A Review on Experimental Investigation of Machining Parameters during CNC Machining of OHNS. International Journal of Engineering Research and Applications 6: 63-71.

11. Li, H., F. Chen, Z. Yang, L. Wang, and Y. Kan. 2016. Failure mode analysis on machining center based on possibility theory, Proceedings of the 5th International Conference on Electrical Engineering and Automatic Control. Springer, pp. 627-636.

12. Liu, H. C., L. Liu, and N. Liu. 2013. Risk evaluation approaches in failure mode and effects analysis: A literature review. Expert Systems with Applications 40: 828-838.

13. Mandal, S., and J. Maiti. 2014. Risk analysis using FMEA: Fuzzy similarity value and possibility theory based approach. Expert Systems with Applications 41: 3527-3537.

14. Mishra, C. S., F. Ali, and S. Adam. 2017. Study of the causes of engine failure in ship and maintenance required to prevent engine failure. International Journal of Contemporary Research and Review 8.

15. Namdari, A., S. Rafiei, and A. Jafari. 2011. Using the failure modes and effects analysis (FMEA) to perform optimal Moldboard plow. Journal of Agricultural Machinery 1 (1): 17-24. (In Farsi).

16. Panchal, D., and D. Kumar. 2016. Integrated framework for behaviour analysis in a process plant. Journal of Loss Prevention in the Process Industries 40: 147-161.

17. Renjith, V., P. H. Kumar, and D. Madhavan. 2018. Fuzzy FMECA (failure mode effect and criticality analysis) of LNG storage facility. Journal of Loss Prevention in the Process Industries.

18. Salvi, R. K. 2017. Failure Mode and Effect Analysis for CNC machines used in GG Valves Industry. MPUAT, Udaipur.

19. Shahriar, A., R. Sadiq, and S. Tesfamariam. 2012. Risk analysis for oil & gas pipelines: A sustainability assessment approach using fuzzy based bow-tie analysis. Journal of Loss Prevention in the Process Industries 25: 505-523.

20. Shukla, S. K., S. Kumar, P. Selvaraj, and V. S. Rao. 2014. Integrated logistics system for indigenous fighter aircraft development program. Procedia Engineering 97: 2238-2247.

21. Wang, X., Y. Zhang, and G. Shen. 2016. An improved FMECA for feed system of CNC machining center based on ICR and DEMATEL method. The International Journal of Advanced Manufacturing Technology 83: 43-54.

22. Yang, Z., B. Xu, F. Chen, Q. Hao, X. Zhu, and Y. Jia. 2010. A new failure mode and effects analysis model of CNC machine tool using fuzzy theory, Information and Automation (ICIA), 2010 IEEE International Conference on. IEEE, pp. 582-587.

23. Yazdi, M., S. Daneshvar, and H. Setareh. 2017. An extension to fuzzy developed failure mode and effects analysis (FDFMEA) application for aircraft landing system. Safety Science 98: 113-123.