14763

مطالعه اي در مورد استفاده از تكنيك هاي يادگيري عميق در نگهداري پيش بيني كننده براي پايداري توليد

1402

د. نادري حسن

د. مينائي بيدگلي بهروز

نتيجه‌گيري اين مطالعه با رويكردي جديد به نگهداري و تعميرات پيش‌بيني‌كننده (PdM) به پايان مي‌رسد كه يك مدل يادگيري عميق حافظه كوتاه‌مدت بلندمدت (LSTM) را از طريق يك رابط چت‌بات محاوره‌اي در يك سيستم ساده مبتني بر وب ادغام مي‌كند. هدف، بهبود يا كاهش دو چالش خاص در نگهداري و تعميرات پيش‌بيني‌كننده - مدل‌سازي تخريب مختص عمليات و محدوديت‌هاي كيفيت و در دسترس بودن داده‌هاي صنعتي، و ايجاد يك راه‌حل هوشمند و مقياس‌پذير براي صنعت ?.? بود. با پياده‌سازي شبكه‌هاي LSTM، اين رويكرد توانست داده‌هاي حسگر سري زماني را به درستي مدل‌سازي كند و وابستگي‌هاي زماني را هم به عمر مفيد باقيمانده (RUL) و هم به پيامدهاي خرابي‌هاي احتمالي اضافه كند. گنجاندن يك رابط چت‌بات محاوره‌اي، با ارائه تعامل واضح و قابل فهم با بينش‌ها و اقدامات در زمان واقعي، تجربه كاربر را بهبود بخشيد. اين رويكرد، شكاف بين مدل‌هاي پيچيده طراحي شده توسط دانشمندان داده و پرسنل نگهداري و تعميرات امروزي را پر خواهد كرد. اين مطالعه نشان داده است كه كاربرد يادگيري عميق با طراحي انسان‌محور مي‌تواند به ابزارهاي قدرتمند جديدي تبديل شود كه فرصت‌هايي را براي شركت‌هاي كوچك و متوسط ????براي استفاده از اصول صنعت ?.? ايجاد مي‌كنند. راه‌حل حاصل از مدل كامل PdM به كاربر اين امكان را مي‌دهد كه با كاهش خرابي‌هاي برنامه‌ريزي نشده تجهيزات و پشتيباني از تغيير به سمت شيوه‌هاي هوشمندتر، پيشگيرانه‌تر و داده‌محورتر، فرآيندهاي نگهداري و برنامه‌ريزي خود را بهبود بخشد. كارهاي آينده ممكن است بر گسترش اين سيستم براي گنجاندن معماري‌هاي يادگيري عميق بيشتر (مانند CNNها، Autoencoders)، تركيب منابع حسگر متنوع‌تر و اعتبارسنجي اثربخشي آن در بخش‌هاي مختلف صنعتي و شرايط عملياتي تمركز كنند.

6/9/2025 12:00:00 AM

86819

1404/03/20

A Study on the Use of Deep Learning Techniques in Predictive Maintenance to Sustain Production