DOI: https://doi.org/10.1108/jqme-07-2023-0064
تاريخ النشر: 2025-01-21
المؤلف: Alessandro Giacotto وآخرون
الموضوع الرئيسي: الجودة والسلامة في الرعاية الصحية
نظرة عامة
تقدم هذه المراجعة الأدبية تحليلًا شاملاً للصيانة التوجيهية (PsM)، مع التركيز على تطورها من الأساليب التقليدية للصيانة إلى استراتيجية استباقية تستخدم التحليلات التوجيهية، والنمذجة المعتمدة على البيانات، وتقنيات التحسين. تلخص المراجعة النتائج من مصادر أكاديمية متنوعة، مشددة على أن PsM يمكّن المنظمات من توقع الأعطال، وتحسين إجراءات الصيانة، وتعزيز موثوقية الأصول من خلال البيانات في الوقت الفعلي ومنهجيات التنبؤ بالصحة. تشمل التطورات الرئيسية في PsM تطبيق التعلم الآلي ونماذج التحسين مثل البرمجة الخطية المختلطة (MILP) وعمليات اتخاذ القرار ماركوف (MDP)، والتي تسهل تحسين الجدولة، وتخصيص الموارد، وإدارة قطع الغيار.
على الرغم من إمكانياتها، تحدد المراجعة عدة تحديات تعيق التنفيذ الفعال لـ PsM، بما في ذلك الحاجة إلى تحسين منهجيات التحليلات التوجيهية، وقابلية التوسع عبر الصناعات، ودمج العمليات بشكل أفضل. بالإضافة إلى ذلك، تؤكد على أهمية تعزيز التنبؤ بصحة الأصول وضمان توفر البيانات في الوقت الفعلي لتعظيم فعالية الاستراتيجيات التوجيهية. تختتم الورقة باقتراح اتجاهات بحثية مستقبلية تهدف إلى تحسين تقنيات التحليل التوجيهي وتحسين قابلية تفسير نماذج التحسين، مما يضع PsM في نهاية المطاف كنهج تحويلي في إدارة الصيانة يمكن أن يؤدي إلى تميز تشغيلي مستدام.
مقدمة
تؤكد مقدمة الورقة على الدور الحاسم للصيانة في تحسين أداء الأصول والأنظمة الصناعية. غالبًا ما تؤدي استراتيجيات الصيانة التقليدية، التي تكون في الغالب تفاعلية أو وقائية، إلى عدم الكفاءة وزيادة التكاليف بسبب إجراءات الصيانة غير الضرورية أو الأعطال غير المتوقعة. لقد سهل ظهور إنترنت الأشياء (IoT) وتقنيات الاستشعار المتقدمة جمع بيانات واسعة، مما يمكّن من التحول نحو الصيانة التوجيهية (PsM). تستفيد PsM من تقنيات معتمدة على البيانات والنماذج، بما في ذلك التعلم الآلي وخوارزميات التحسين، لتعزيز اتخاذ قرارات الصيانة، وتقليل فترات التوقف، وتحسين أداء الأصول، لا سيما في البيئات التشغيلية المعقدة والديناميكية.
على الرغم من المزايا الواعدة لـ PsM، تواجه تنفيذها في بيئات الصناعة 4.0 تحديات كبيرة. تشمل هذه التحديات صعوبات في دمج مصادر البيانات المتنوعة، والحاجة إلى نماذج تنبؤية موثوقة لفشل المعدات، وتطوير خوارزميات فعالة لاتخاذ القرار. بالإضافة إلى ذلك، هناك حاجة ملحة لإطارات قابلة للتوسع لدعم التبني الصناعي الواسع. تحدد الورقة فجوة في الأدبيات بشأن فهم موحد لمنهجيات PsM وتطبيقاتها. لمعالجة ذلك، يهدف المؤلفون إلى تقديم مراجعة أدبية شاملة تلخص الأبحاث الحالية، وتبرز التقدم والتحديات، وتحدد الاتجاهات المستقبلية في مجال PsM، مما يساعد الباحثين في تحديد مجالات محتملة لمزيد من التحقيق.
الطرق
تضمنت المنهجية المستخدمة في هذا البحث مراجعة أدبية منهجية، كما هو موضح من قبل جونز وآخرون (2020)، لاستكشاف مجال الصيانة التوجيهية (PsM). تم إجراء عملية المراجعة بين أغسطس 2022 وديسمبر 2023، باستخدام استعلام البحث “الصيانة التوجيهية” على جوجل سكولار، مما أسفر عن 983 عملًا عبر 100 صفحة. من بين هذه الأعمال، تم تحديد 56 ورقة على أنها ذات صلة مباشرة بـ PsM، وتم تحديد الأعمال الأساسية من خلال تحليل الاقتباسات بناءً على منهجية يونغ (2017). كشفت هذه التحليلات عن 11 ورقة أساسية، والتي شكلت حوالي 20% من الأعمال المختارة لكنها حصلت على 80% من إجمالي الاقتباسات، مما يبرز أهميتها في هذا المجال. تألفت المجموعة النهائية من 76 عملًا، معظمها مقالات دورية، وأظهرت زيادة ملحوظة في المنشورات على مدار العقد الماضي.
تم إجراء تحليل موضوعي، وفقًا للنهج المنظم الذي قدمه ماجواير ودلاهنت (2017)، على المجموعة للإجابة على سؤال البحث “ما هي PsM؟”. حدد هذا التحليل أربعة مواضيع رئيسية وأكثر من 300 رمز، مما أدى إلى اقتراح 26 موضوعًا فرعيًا. تضمنت العملية مراجعات تكرارية وتجمعات للرموز، تم التحقق منها من قبل متخصصين في المجال. تشير النتائج إلى الحاجة الملحة للتقدم في منهجيات التحليلات التوجيهية، لا سيما في مجالات نمذجة الذكاء الاصطناعي، وتخطيط الموارد، وسيناريوهات التطبيق في العالم الحقيقي. تشمل اتجاهات البحث المستقبلية تعزيز تشخيص النظام من خلال التقنيات المتقدمة، وتحسين شفافية الذكاء الاصطناعي، والاستفادة من التوائم الرقمية لتحقيق الكفاءة في PsM. بالإضافة إلى ذلك، تم تحديد دمج التعاون بين الإنسان والروبوت واستكشاف تدابير الأمن السيبراني في سياقات إنترنت الأشياء كمجالات حاسمة لمزيد من التحقيق.
النتائج
في قسم النتائج، تم إجراء تحليل موضوعي لتحديد المواضيع والمواضيع الفرعية التي تعرف الصيانة التنبؤية (PsM). تلخص النتائج في الجدول 13، الذي يوضح المواضيع الرئيسية، والجدول 14، الذي يوضح المواضيع الفرعية المقابلة. تمثل الشكل 6 الخصائص المحددة، والعوامل الممكنة، والمخرجات المرغوبة لـ PsM بصريًا. يصنف التحليل المواضيع الفرعية إلى أربعة مجالات رئيسية: جوهر PsM (المواضيع الفرعية من 1 إلى 6)، العوامل الممكنة (المواضيع الفرعية من 7 إلى 12)، النتائج والنتائج المتوقعة (المواضيع الفرعية من 13 إلى 18)، واتجاهات البحث المستقبلية (المواضيع الفرعية من 19 إلى 25).
تسلط المواضيع المحددة الضوء على تقدم من المفاهيم الأساسية مثل الصيانة التنبؤية والمعتمدة على المعرفة إلى أساليب أكثر تقدمًا مثل استراتيجيات الصيانة الشاملة، التكيفية، والتعلم الذاتي. تسهل العوامل الرئيسية، بما في ذلك التحليلات التوجيهية، وإنترنت الأشياء (IoT)، وأنظمة دعم القرار، تحويل البيانات إلى مخرجات قابلة للتنفيذ. تهدف هذه المخرجات إلى تقليل التكاليف، وزيادة التوفر، وتحسين روتين الصيانة، وأتمتة سير العمل، وتعزيز التحسين المستمر والتكامل السلس للعمليات. ستتناول الأقسام التالية كل موضوع ومواضيعه الفرعية بمزيد من التفصيل، مما يوفر استكشافًا شاملاً لأدوارها في تعزيز PsM.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التحديات الملحة التي تواجه صناعة الطيران، بما في ذلك المنافسة الشديدة، والتقدم التكنولوجي السريع، ونقص القوى العاملة، وزيادة مطالب الاستدامة. مع كون تكاليف الصيانة تشكل جزءًا كبيرًا من النفقات التشغيلية—تتراوح بين 40% إلى 70%—يجادل المؤلفون بضرورة ملحة لتبني استراتيجية صيانة جديدة، تُسمى الصيانة التوجيهية (PsM). تُعرف PsM بأنها نهج صيانة استباقي يستخدم إنترنت الأشياء (IoT)، وتنبؤات صحة الأصول، والتحليلات التوجيهية لتحسين عمليات الصيانة وتعزيز توفر الأصول. يُعتبر تنفيذ PsM حلاً تحويليًا يمكن أن يحسن الكفاءة التشغيلية، ويقلل من تكاليف دورة الحياة، ويدعم مبادرات الاستدامة.
يعدد المؤلفون عدة فوائد رئيسية لـ PsM، بما في ذلك زيادة توفر الأصول من خلال جداول صيانة محسّنة، وتقليل تكاليف دورة الحياة من خلال تقليل الأنشطة الصيانة غير الضرورية، وتحسين اتخاذ القرار عبر نماذج معتمدة على البيانات، والقدرة على التكيف مع البيئات التشغيلية الديناميكية، والتوافق مع أهداف الاستدامة. يؤكدون أن PsM مناسب بشكل خاص للأصول المعقدة في البيئات الديناميكية، مما يسمح بدعم اتخاذ القرار بشكل مستقل أو شبه مستقل. تختتم القسم بمقارنة PsM مع استراتيجيات الصيانة التقليدية، مما يبرز قيود الأساليب القديمة والحاجة إلى نموذج صيانة أكثر تكاملاً وتقدمًا يمكنه التعامل بفعالية مع المطالب المتطورة لقطاع الطيران وما بعده.
DOI: https://doi.org/10.1108/jqme-07-2023-0064
Publication Date: 2025-01-21
Author(s): Alessandro Giacotto et al.
Primary Topic: Quality and Safety in Healthcare
Overview
This literature review provides a comprehensive analysis of Prescriptive Maintenance (PsM), emphasizing its evolution from traditional maintenance approaches to a proactive strategy that utilizes prescriptive analytics, data-driven modeling, and optimization techniques. The review synthesizes findings from various scholarly sources, highlighting that PsM enables organizations to anticipate failures, optimize maintenance actions, and enhance asset reliability through real-time data and health prognostic methodologies. Key advancements in PsM include the application of machine learning and optimization models such as Mixed Integer Linear Programming (MILP) and Markov Decision Processes (MDP), which facilitate improved scheduling, resource allocation, and spare parts management.
Despite its potential, the review identifies several challenges that hinder effective PsM implementation, including the need for improved prescriptive analytics methodologies, scalability across industries, and better integration of processes. Additionally, it underscores the importance of enhancing asset health prognostics and ensuring real-time data availability to maximize the effectiveness of prescriptive strategies. The paper concludes by suggesting future research directions aimed at refining prescriptive analysis techniques and improving the interpretability of optimization models, ultimately positioning PsM as a transformative approach in maintenance management that can lead to sustainable operational excellence.
Introduction
The introduction of the paper emphasizes the critical role of maintenance in optimizing the performance of industrial assets and systems. Traditional maintenance strategies, which are primarily reactive or preventive, often lead to inefficiencies and increased costs due to unnecessary maintenance actions or unexpected failures. The emergence of the Internet of Things (IoT) and advanced sensor technologies has facilitated the collection of extensive data, enabling a shift towards Prescriptive Maintenance (PsM). PsM leverages data-driven and model-driven techniques, including machine learning and optimization algorithms, to enhance maintenance decision-making, reduce downtime, and improve asset performance, particularly in complex and dynamic operational environments.
Despite the promising advantages of PsM, its implementation within Industry 4.0 settings faces significant challenges. These include difficulties in integrating heterogeneous data sources, the need for reliable predictive models for equipment failures, and the development of effective decision-making algorithms. Additionally, there is a pressing requirement for scalable frameworks to support widespread industrial adoption. The paper identifies a gap in the literature regarding a consolidated understanding of PsM methodologies and their applications. To address this, the authors aim to provide a comprehensive literature review that synthesizes current research, highlights advancements and challenges, and outlines future directions in the field of PsM, thereby assisting researchers in identifying potential avenues for further investigation.
Methods
The methodology employed in this research involved a systematic literature review, as outlined by Jones et al. (2020), to explore the domain of Prescriptive Maintenance (PsM). The review process, conducted between August 2022 and December 2023, utilized the search query “Prescriptive Maintenance” on Google Scholar, yielding 983 works across 100 pages. From these, 56 papers were identified as directly relevant to PsM, with seminal works determined through citation analysis based on the methodology of Yeung (2017). This analysis revealed 11 seminal papers, which accounted for approximately 20% of the selected works but garnered 80% of the total citations, highlighting their significance in the field. The final corpus consisted of 76 works, predominantly journal articles, and demonstrated a notable increase in publications over the past decade.
A thematic analysis, following the structured approach by Maguire and Delahunt (2017), was conducted on the corpus to address the research question “What is PsM?”. This analysis identified four primary themes and over 300 codes, leading to the proposal of 26 sub-themes. The process involved iterative reviews and clustering of codes, validated by specialists in the field. The findings indicate a pressing need for advancements in prescriptive analytics methodologies, particularly in the areas of AI modeling, resource planning, and real-world application scenarios. Future research directions include enhancing system diagnostics through advanced technologies, improving AI transparency, and leveraging digital twins for efficiency in PsM. Additionally, the integration of human-robot collaboration and the exploration of cybersecurity measures in IoT contexts were identified as critical areas for further investigation.
Results
In the results section, a thematic analysis was conducted to delineate the themes and subthemes that define Predictive Maintenance (PsM). The findings are summarized in Table 13, which outlines the primary themes, and Table 14, which details the corresponding sub-themes. Figure 6 visually represents the defining characteristics, enablers, and desired outputs of PsM. The analysis categorizes sub-themes into four main areas: the essence of PsM (sub-themes 1 to 6), enablers (sub-themes 7 to 12), outcomes and expected results (sub-themes 13 to 18), and future research directions (sub-themes 19 to 25).
The identified themes highlight a progression from foundational concepts such as predictive and knowledge-based maintenance to more advanced approaches like holistic, adaptive, and self-learning maintenance strategies. Key enablers, including prescriptive analytics, the Internet of Things (IoT), and decision support systems, facilitate the transformation of data into actionable outputs. These outputs aim to minimize costs, maximize availability, optimize maintenance routines, automate workflows, and promote continuous improvement and seamless integration of operations. The subsequent sections will delve deeper into each theme and its sub-themes, providing a comprehensive exploration of their roles in enhancing PsM.
Discussion
The discussion section of the paper highlights the pressing challenges faced by the aviation industry, including intense competition, rapid technological advancements, workforce shortages, and increasing sustainability demands. With maintenance costs constituting a significant portion of operational expenses—ranging from 40% to 70%—the authors argue for the urgent need to adopt a new maintenance strategy, termed prescriptive maintenance (PsM). PsM is defined as a proactive maintenance approach that utilizes the Internet of Things (IoT), asset health prognostics, and prescriptive analytics to optimize maintenance operations and enhance asset availability. The implementation of PsM is posited as a transformative solution that can improve operational efficiency, reduce lifecycle costs, and support sustainability initiatives.
The authors enumerate several key benefits of PsM, including increased asset availability through optimized maintenance schedules, reduced lifecycle costs by minimizing unnecessary maintenance activities, improved decision-making via data-driven models, adaptability to dynamic operational environments, and alignment with sustainability goals. They emphasize that PsM is particularly suited for complex assets in dynamic settings, allowing for autonomous or semi-autonomous decision support. The section concludes by contrasting PsM with traditional maintenance strategies, underscoring the limitations of legacy approaches and the need for a more integrated and advanced maintenance paradigm that can effectively address the evolving demands of the aviation sector and beyond.