روشهای هوش مصنوعی در نگهداری و تعمیرات پیشبینانه تجهیزات صنعتی

نگهداری و تعمیرات پیشبینانه (Predictive Maintenance - PM) به عنوان یکی از ارکان اصلی صنعت ۴.۰ نقش مهمی در افزایش بهره وری کاهش هزینه های عملیاتی و جلوگیری از توقف ناگهانی تجهیزات ایفا می کند هدف اصلی PdM شناسایی و پیش بینی زودهنگام خرابی اجزا پیش از وقوع آنهاست تا اقدامات اصلاحی در زمان مناسب انجام شوند در سال های اخیر پیشرفت فناوری های دیجیتال از جمله اینترنت اشیای صنعتی (IIoT) سیستم های سایبر فیزیکی (CPS) کلان داده و هوش مصنوعی (AI)، باعث تحول اساسی در نحوه ی پیاده سازی و تصمیم گیری های نگهداری صنعتی شده است در این مقاله مروری ۱۴ پژوهش منتشر شده بین سال های ۲۰۱۰ تا ۲۰۲۳ بررسی شده اند که در آنها از الگوریتم های یادگیری ماشین و یادگیری عمیق برای پیش بینی خرابی و بهینه سازی فرآیندهای نگهداری استفاده شده است. روش های متداول شامل مدل های آماری و داده محور مانند ARIMA الگوریتم های نظارت شده همچون درخت تصمیم (DT) ماشین بردار پشتیبان (SVM) و جنگل تصادفی (RF)، و مدل های یادگیری عمیق شامل شبکه های عصبی پیچشی (CNN) و بازگشتی (LSTM) هستند. همچنین برخی پژوهش ها به کارگیری مدل های هیبریدی و روش های توضیح پذیر (XAI) را برای افزایش دقت و اعتمادپذیری پیشنهاد کرده اند نتایج نشان می دهد که ادغام داده های چند منبعی استفاده از IoT و مدل های یادگیری عمیق عملکرد پیش بینی را بهبود داده و توقف های ناگهانی را به طور قابل توجهی کاهش داده است. با این حال چالش هایی نظیر کمبود داده های برچسب خورده دشواری تفسیر مدل ها و هزینه ای بالای استقرار در محیط های واقعی همچنان پابرجاست در پایان مقاله مسیرهای آینده شامل استفاده از یادگیری فدرالی (Federated Learning) توسعه مدل های توضیح پذیر و بهره گیری از دوقلوی دیجیتال (Digital Twin) را برای ارتقای دقت و کارایی سیستم های PdM پیشنهاد می کند.

Keywords:

نگهداری و تعمیرات پیش بینانه , هوش مصنوعی , یادگیری ماشین , یادگیری عمیق , صنعت ۴.۰ , دوقلوی دیجیتال