LOGIN
ثبت نام یا ورود
Avatar
هنوز ثبت نام نکرده اید؟

هم اکنون عضو پلاک آبی شوید .و به اطلاعات وب سایت ما دسترسی داشته باشید

تنظیم مجدد کلمه عبور - نام کاربری را فراموش کرده ام

نام کاربری
کلمه عبور
مرا به خاطر بسپار

placabi articles

مطالعه موردی : استفاده از تحلیل پیشگویانه RapidMiner  در هوانوردی مورد کاوی - رپیدماینر

مطالعه موردی : استفاده از تحلیل پیشگویانه RapidMiner در هوانوردی

  • این مورد را ارزیابی کنید
    (19 رای‌ها)

در این مطالعه موردی می­خوانیم چگونه لوفت‌هانزا با به‌کارگیری راهکار هوش کسب و کار / هوش تجاری ( BI ) و با کمک نرم افزار داده کاوی رپیدماینر آمار تعداد قطعات و تجهیزات صنعت هوانوردی خارج از سرویس و در نتیجه  هزینه ی تعمیرات آن‌ها را کاهش داده است.

پلتفرم تحلیل های پیش گویانه ی RapidMiner فرآیند نگهداری و تعمیرات را مؤثرتر و کارآمدتر ساخته است.

لوفت هانزا، بزرگترین تأمین کننده‌ی خدمات هواپیمایی، لجستیکی و حمل و نقل در آلمان، روی نگهداری و تعمیر هواپیماهای خطوط هوایی لوفت‌ هانزا، یورووینگ و سایر خطوط هوایی متمرکز شده است.

چالش پیش روی لوفت‌هانزا

در حوزه‌ی نگهداری از هواپیما، پیش‌بینی نقص فنی تجهیزات و اجزاء هواپیما و نیاز این قطعات به تعمیرات  امری ضروری است تا بتوان هزینه‌ی ازکار افتادن آن‌ها را کاهش داده، از خارج از سرویس شدن ناگهانی هواپیما جلوگیری کرده و جدول کاری پرسنل بخش نگهداری را بهینه نمود. لوفت هانزا با دارا بودن بیش از 1000 هواپیما که باید نگهداری شوند، صدهاهزار گزارش سفر ثبت شده، داده‌های بدست آمده از حسگرها، پیغام خطا، و گزارش تعمیرات در اختیار دارد که باید برای پیش‌بینی نقص فنی قطعات و جلوگیری از آن ارزیابی شوند.

راهکار هوش کسب و کار / هوش تجاری ( BI ) که لوفت هانزا از آن بهره برد

لوفت‌ هانزا برای ارائه‌ی خدمات پیشرفته به مشتریانش از پلتفرم تحلیل پیش گویانه RapidMiner استفاده نمود. با استفاده از تحلیل های Real Time رپیدماینر از داده های سری زمانی ، استخراج ویژگی ، یادگیری ماشین برای رگرسیون ، طبقه بندی و کاوش مجموعه اقلام مکرر روی داده های موجود درباره‌ی هواپیما و سرویس‌های آن لوفت هانزا توانست تا به مدل های دقیقی برای پیشگویی زمان انجام تعمیرات دست یابد.

نتایج به‌دست آمده از به‌کارگیری نرم افزار داده کاوی رپیدماینر

لوفت هانزا توانست با استفاده از RapidMiner برای پیشگویی زمان نقص فنی یک قطعه یا یکی از اجزاء هواپیما، اطلاعات مورد نیاز برای انجام هرچه دقیق‌تر و پربازده‌تر فرآیند تعمیرات و نگهداری و در نتیجه استفاده‌ی مؤثرتر و مفیدتر از کارکنان این بخش بدست آورد. مدل های پیشگویانه ای که در RapidMiner ایجاد می‌شوند، نه تتها محل احتمالی وقوع مشکل را مشخص می‌کنند، بلکه آن را ریشه‌یابی هم می‌کنند. در نتیجه در طی دو ماه از به‌کارگیری این راهکار، تعداد کل دفعات خارج از سرویس بودن قطعات به‌خاطر نقص فنی بیش از 20% کم شد و به تبع آن هزینه ها نیز کاهش یافتند.

خواندن 1889 دفعه آخرین ویرایش در دوشنبه, 24 مهر 1396 23:23
آزیتا المعی نژاد

مدیر ارتباط با مشتری پلاک آبی

بیش از 15 سال سابقه آموزش، ترجمه و تدوین متون علمی و مدیریتی

 

عضو تیم تولید محتوای وب سایت و شبکه‌های اجتماعی شرکت پلاک آبی

کارشناس شیمی کاربردی از دانشگاه صنعتی شریف

 

کاربرانی که در این گفتگو شرکت کرده اند

نظر خود را اضافه کنید.

ارسال نظر به عنوان مهمان

0
نظر شما به دست مدیر خواهد رسید
 تماس با ما

تلفن: 09211437289
پست الکترونیک:
info @ p l a c a b i . com

 

We use cookies to improve our website. By continuing to use this website, you are giving consent to cookies being used. More details…