A data-driven artificial intelligence approach to predict the remaining useful life of Neuero grain unloaders in Khuzestan ports
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 109
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJMTE-20-NaN_005
تاریخ نمایه سازی: 8 اسفند 1403
چکیده مقاله:
This study aims to enhance equipment management in grain unloading operations at Khuzestan Ports in Iran by predicting the remaining useful life of electric motors used in grain suction systems (neuero). Utilizing LSTM models in conjunction with environmental factors, this research minimizes unexpected costs associated with equipment failures and reduces downtime in unloading and loading processes. Real-world data from Khuzestan ports demonstrates the high accuracy of the LSTM model in predicting failures. The findings support proactive maintenance strategies, thereby improving efficiency and reliability in the port and maritime industry. While challenges such as limited data, incomplete coverage of environmental factors, and reliance on deep learning models exist, this study provides a foundation for future research on optimizing maintenance and management of neuero electric motors in bulk vessels.
کلیدواژه ها:
نویسندگان
Mohammadali Zarghami
South Tehran Azad University
Sadigh Raissi
South Tehran Azad University
tohidi hamid
South Tehran Azad University
Shahrooz Bamdad
South Tehran Azad University
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :