بهبود نگهداري پيشگويانه مبتني بر دوقلوي ديجيتال با استفاده از ابزارهاي هوش‌مصنوعي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

نگهداري پيشگويانه (PdM) به عنوان يكي از مؤثرترين راهكارهاي نگهداري صنعتي، با تكيه بر تحليل داده و پيش‌بيني رفتار تجهيزات، نقش مهمي در كاهش خرابي‌هاي ناگهاني و افزايش بهره‌وري ايفا مي‌كند. با اين حال، بسياري از پياده‌سازي‌هاي سنتي PdM با چالش‌هايي نظير دقت پايين، عدم ادراك بلادرنگ و فقدان معماري‌هاي هوشمند و مقياس‌پذير مواجه‌اند. براي غلبه بر اين چالش‌ها، در اين پژوهش يك چهارچوب نوين تحت عنوان نگهداري پيشگويانه مبتني بر دوقلوي‌ديجيتال (PdMDT) معرفي شده است. اين چهارچوب سه‌لايه، شامل لايه جمع‌آوري و پيش‌پردازش داده براي پردازش اوليه و بلادرنگ داده‌هاي حسگري، لايه دوقلوي‌ديجيتال براي شبيه‌سازي تركيبي داده‌محور و فيزيك‌محور تجهيزات و لايه تصميم‌گيري و مشاوره پيشگويانه براي توصيه‌هاي نگهداري هوشمند است. معماري پيشنهادي نگهداري پيشگويانه مبتني بر دوقلوي‌ديجيتال، با بهره‌گيري از فناوري‌هاي پيشرفته همچون محاسبات‌ لبه‌اي، يادگيري عميق با تفسيرپذيري، شبيه‌سازي فيزيكي و طراحي ميكروسرويس، گامي فراتر از چهارچوب مرجع PdMDT برداشته است. اين نوآوري‌ها، چهارچوب جديد را به سامانه‌اي هوشمند، مقياس‌پذير و قابل توضيح براي پياده‌سازي در محيط‌هاي صنعتي واقعي تبديل كرده‌اند. براي اعتبارسنجي عملي چهارچوب، يك موتور پمپ آب صنعتي مجهز به 51 حسگر به‌عنوان مطالعه موردي انتخاب شد. داده‌هاي بلادرنگ پس از برچسب‌گذاري براي پيش‌بيني خرابي زودهنگام در زمان 10 دقيقه‌اي، وارد خط لوله تحليلي شدند. در اين مسير، دو مدل اصلي توسعه يافت: مدل CNN-LSTM مجهز به سازوكار توجه كه ويژگي‌هاي مكاني و زماني را استخراج و با دقت = 99.77٪، 98.29% = F1 score عملكرد بهتري در تشخيص خطا ارائه داد. تحليل نقش مكانيسم توجه نشان داد تنها چند حسگر كليدي، عمده‌ي تصميم‌گيري را شكل مي‌دهند. همچنين، مدل سبك RF-LSTM با زمان آموزش بسيار كوتاه و عملكرد مناسب (F1 score=98.91%)، راه‌حلي مقرون‌به‌صرفه براي پايانه‌هاي پردازشي محدود ارائه كرد. ادغام اين مدل‌ها در بستر دوقلوي‌ديجيتال پيش‌بيني خرابي را نيز ممكن ساخت. چهارچوب PdMDT مي‌تواند با كاهش زمان توقف برنامه‌ريزي‌نشده، افزايش عمر مؤلفه‌ها و كاهش هزينه‌هاي نگهداري، گامي مؤثر در مسير استقرار نگهداري هوشمند در خطوط توليد حساس بردارد. معماري CNN-LSTM توجه‌پذير توسعه‌داده‌شده در اين پژوهش، يك مدل تركيبي است كه نه‌تنها وابستگي‌هاي زماني و ويژگي‌هاي مكاني را از داده‌هاي حسگر استخراج مي‌كند، بلكه از سازوكار توجه براي ارائه خروجي تفسيرپذير و قابل اعتماد بهره مي‌گيرد. اين معماري، به‌ويژه در سناريوهاي صنعتي كه داده‌ها پيوسته، پرنويز و وابسته به زمان هستند، عملكرد قابل‌قبولي از خود نشان داده و كاربردهاي واقعي فراواني دارد.

234824

نرم افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان