دانشگاه علامه طباطبایی

  اخبار و اعلانات

 آمار

تعداد نشریات60
تعداد شماره‌ها2,184
تعداد مقالات17,694
تعداد مشاهده مقاله54,374,789
تعداد دریافت فایل اصل مقاله28,457,098
آقازاده, الهام, عالم تبریز, اکبر. (1402). طراحی مدل نظارت هوشمند بر تجهیزات صنعتی با رویکرد بهینه سازی تاخیر انتقال و سرعت پردازش داده ها(مطالعه موردی: توربین های بادی). سامانه مدیریت نشریات علمی, 21(71), 1-41. doi: 10.22054/jims.2023.66540.2769
الهام آقازاده; اکبر عالم تبریز. "طراحی مدل نظارت هوشمند بر تجهیزات صنعتی با رویکرد بهینه سازی تاخیر انتقال و سرعت پردازش داده ها(مطالعه موردی: توربین های بادی)". سامانه مدیریت نشریات علمی, 21, 71, 1402, 1-41. doi: 10.22054/jims.2023.66540.2769
آقازاده, الهام, عالم تبریز, اکبر. (1402). 'طراحی مدل نظارت هوشمند بر تجهیزات صنعتی با رویکرد بهینه سازی تاخیر انتقال و سرعت پردازش داده ها(مطالعه موردی: توربین های بادی)', سامانه مدیریت نشریات علمی, 21(71), pp. 1-41. doi: 10.22054/jims.2023.66540.2769
آقازاده, الهام, عالم تبریز, اکبر. طراحی مدل نظارت هوشمند بر تجهیزات صنعتی با رویکرد بهینه سازی تاخیر انتقال و سرعت پردازش داده ها(مطالعه موردی: توربین های بادی). سامانه مدیریت نشریات علمی, 1402; 21(71): 1-41. doi: 10.22054/jims.2023.66540.2769

طراحی مدل نظارت هوشمند بر تجهیزات صنعتی با رویکرد بهینه سازی تاخیر انتقال و سرعت پردازش داده ها(مطالعه موردی: توربین های بادی)

مطالعات مدیریت صنعتی
مقاله 1، دوره 21، شماره 71، دی 1402، صفحه 1-41    اصل مقاله (1.48 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22054/jims.2023.66540.2769
نویسندگان
الهام آقازاده* 1؛ اکبر عالم تبریز2
1دانشجوی دکتری رشته مدیریت صنعتی، دانشکده مدیریت، حسابداری و علوم انسانی، دانشگاه آزاد اسلامی، قزوین، ایران
2استاد گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه شهید بهشتی، تهران، ایران
چکیده
امروزه در واحدهای صنعتی نظارت بر عملکرد تجهیزات توسط اپراتور انجام می‌شود و به‌علت گستردگی محیط عملیاتی و حجم بالای تجهیزات، هماهنگی‌ بین واحدها به‌سختی امکان‌پذیر بوده و صدمات جبران‌ناپذیری در پی دارد. باوجود پیشرفت‌های چشمگیر تکنولوژی در زمینه بازرسی و نظارت، می‌توان این وظیفه را به ابزارهای هوشمند و اینترنت اشیاء سپرد. همچنین، با ظهور فناوری محاسبات «رایانش لبه»، بسیاری از محققان به دلیل مزایای آن، از طراحی‌های مبتنی بر محاسبات لبه‌ای بهره برده‌اند. لذا در این پژوهش مدلی ترکیبی از اینترنت اشیاء و پهپادهای غیرنظامی جهت نظارت هوشمند بر عملکرد تجهیزات صنعتی با رویکرد رایانش لبه ارائه شد که به‌عنوان مطالعه موردی توربین‌های بادی موردبررسی قرار گرفت. در این مدل، عملکرد پهپاد جهت نظارت هوشمند بر توربین‌های بادی در سه مرحله موردبررسی قرار گرفت. 1) فرآیند تشخیص 2) فرآیند تخلیه محاسباتی پهپاد 3) فرآیند محاسبات محلی پهپاد. با توجه به دو هدفه بودن مدل نهایی که ترکیبی از سه مرحله فوق بود، مدل توسط روش‌های ژنتیک با مرتب‌سازی ناچیره و روش محدودیت اپسیلن تقویت‌شده با استفاده از اعداد تصادفی حل شد و روش ژنتیک با مرتب‌سازی ناچیره عملکرد بهتری داشت؛ زیرا در مسائل با ابعاد بزرگ، به دلیل پیچیدگی مسئله، روش محدودیت اپسیلن تقویت‌شده قادر به پاسخگویی در زمان مناسب نبود.
امروزه در واحدهای صنعتی نظارت بر عملکرد تجهیزات توسط اپراتور انجام می‌شود و به‌علت گستردگی محیط عملیاتی و حجم بالای تجهیزات، هماهنگی‌ بین واحدها به‌سختی امکان‌پذیر بوده و صدمات جبران‌ناپذیری در پی دارد. باوجود پیشرفت‌های چشمگیر تکنولوژی در زمینه بازرسی و نظارت، می‌توان این وظیفه را به ابزارهای هوشمند و اینترنت اشیاء سپرد. همچنین، با ظهور فناوری محاسبات «رایانش لبه»، بسیاری از محققان به دلیل مزایای آن، از طراحی‌های مبتنی بر محاسبات لبه‌ای بهره برده‌اند. لذا در این پژوهش مدلی ترکیبی از اینترنت اشیاء و پهپادهای غیرنظامی جهت نظارت هوشمند بر عملکرد تجهیزات صنعتی با رویکرد رایانش لبه ارائه شد که به‌عنوان مطالعه موردی توربین‌های بادی موردبررسی قرار گرفت. در این مدل، عملکرد پهپاد جهت نظارت هوشمند بر توربین‌های بادی در سه مرحله موردبررسی قرار گرفت. 1) فرآیند تشخیص 2) فرآیند تخلیه محاسباتی پهپاد 3) فرآیند محاسبات محلی پهپاد. با توجه به دو هدفه بودن مدل نهایی که ترکیبی از سه مرحله فوق بود، مدل توسط روش‌های ژنتیک با مرتب‌سازی ناچیره و روش محدودیت اپسیلن تقویت‌شده با استفاده از اعداد تصادفی حل شد و روش ژنتیک با مرتب‌سازی ناچیره عملکرد بهتری داشت؛ زیرا در مسائل با ابعاد بزرگ، به دلیل پیچیدگی مسئله، روش محدودیت اپسیلن تقویت‌شده قادر به پاسخگویی در زمان مناسب نبود.
کلیدواژه‌ها
اقتصادمدور؛ انقلاب صنعتی چهارم(صنعت4.0)؛ پایداری؛ توانمندساز؛ دیمتل‌‌فازی
مراجع
  1. کاظمی، حمید و الهیان، سمانه. (1399). توسعه پهپادهای غیرنظامی در ایران و چالش‌های پیش‌ روی آن. فناوری در مهندسی هوافضا. 2 (23). 45-64.
  2. قضاوی، علیرضا و طباطبا، فروغ السادات. (1399). پهپادها و کاربرد آن‌ها در امنیت عمومی و پلیس هوشمند. نشریه علمی فناوری اطلاعات و ارتباطات انتظامی. 1 (1). 67 -90.
  3. حقیقی، حسن و ساداتی، سید حسین و کریمی، جلال و دهقانی، سید محمدمهدی. (1397). نظارت مداوم چندفروندی به‌وسیله الگوهای پیمایشی پایه باهدف کمینه‌سازی زمان بازبینی. مهندسی هوانوردی. 20 (1). 1-12.
  4. علی پور، میرزامحمد و رجول دزفولی، علی و دانش کهن، حسین. (1388). استفاده از هواپیماهای بدون سرنشین به‌منظور بازرسی خطوط لوله نفت و گاز. دومین کنفرانس لوله و صنایع وابسته. تهران.
  5. قضاوی، نفیسه و رحمانی، دنیا. (1400). ارائه مدلی برای مسیریابی پهپاد برای نظارت بر مناطق آسیب‌دیده پس از بحران. هجدهمین کنفرانس بین‌المللی مهندسی صنایع. 58-83.
  6. Al-Khafaji, H. (2022). Data Collection in IoT Using UAV Based on Multi-Objective Spotted Hyena Optimizer. Sensors. 22(22). pp. 88-96. Doi: 3390/‌s22228896
  7. Alturjman, F., Alturjman, S. (2020). 5G/‌IoT-enabled UAVs for multimedia delivery in industry-oriented applications. Multimedia Tools and Applications, 79 (25), 74-89. DOI:1007/‌s11042-018-6288-7
  8. Athreyasa,G. (2021). Roadway Traffic Analysis Scheme using Unmanned Aerial Vehicle Based on Image Processing and Edge Computing. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12(3). 122-131. DOI:https:/‌/‌org/‌10.17762/‌turcomat.v12i12.7788
  9. Bahhar ,, Chokri, B., Sofiene, B., Hedi, S. (2021). Real-time intelligent monitoring system based on IoT. 18th International Multi-Conference on Systems, Signals & Devices (SSD). DOI:10.1109/‌SSD52085.2021.9429358
  10. Cao, P., YI, L., Chao, Y., Shengli, X., Kan, X. (2019). MEC-Driven UAV-Enabled Routine Inspection Scheme in Wind Farm Under Wind Influence. Digital Object Identifier, 51(33). 342-361. DOI:1109/‌ICICTA49267.2019.00148
  11. Caro, M., Cano, M. (2019). IoT System Integrating Unmanned Aerial Vehicles and LoRa Technology: A Performance Evaluation Study. Wireless Communications and Mobile Computing. 36(4). 134-151. DOI:1155/‌2019/‌4307925
  12. Chagh, Y., Guennoun Z., Jouihri, Y. (2016). Voice service in 5G network: Towards an edge-computing enhancement of voice over Wi-Fi, in Proc. Telecommun. Signal Process. (TSP). 65(5). 116–120. DOI:10.1109/‌TSP.2016.7760841
  13. Lagkas, T., Bibi, S., Argyriou, V., Panagiotis, G. (2018). UAV IoT Framework Views and Challenges: Towards Protecting Drones as “Things”. Sensors. 18(1). 18-25. https:/‌/‌org/‌10.3390/‌s18114015
  14. Mavrotas, G. (2009). Effective implementation of the e-constraint method in Multi-Objective Mathematical Programming problems. Applied mathematics and computation. 213(3), 455–465. https:/‌/‌org/‌10.1016/‌j.amc.2009.03.037
  15. Na, Z., Mengshu, Z., Jun, W. (2020). UAV-assisted wireless powered Internet of Things: Joint trajectory optimization and resource allocation. Ad Hoc Networks. 98(23). 254-276. https:/‌/‌org/‌10.1016/‌j.adhoc.2019.102052
  16. Pasandideh, S.H.R., Niaki, S.T.A. (2012). Genetic application in a facility location problem with random demand within queuing framework. Journal of Intelligent Manufacturing. 23(3). 651-659. DOI:1007/‌s10845-010-0416-1
  17. Salhaoui, M., Guerrero, Antonio., Arioua, M., Francisco, J., Ortiz, A., Oualkadi, E., Luis Torregrosa, C. (2019). Smart Industrial IoT Monitoring and Control System Based on UAV and Cloud Computing Applied to a Concrete Plant. Sensors. 19(3). 16-30. https:/‌/‌org/‌10.3390/‌s19153316
  18. Wulfovich, S., Rivas, H., Matabuena, P. (2020). Drones in Healthcare. Digital Health. 4(22). 159–168. DOI:1007/‌978-3-319-61446-5_11
  19. Zhao, T., Zhou, S., Guo, X., Zhao, Y., Niu, Z. (2016). Pricing policy and computational resource provisioning for delay-aware mobile edge computing. IEEE/‌CIC Int. Commun. China (ICCC). 1–6. DOI:10.1109/‌ICCChina.2016.7636891
  20. Zhang, K., Mao, Y., Leng, S., Vinel, A., Zhang, Y. (2016). Delay constrained offloading for mobile edge computing in cloud-enabled vehicular networks. Workshop Resilient Netw. Design Modeling (RNDM). 33(2). 288–294. DOI:1109/‌RNDM.2016.7608300
آمار
تعداد مشاهده مقاله: 785
تعداد دریافت فایل اصل مقاله: 1,309


login