پیش بینی عمر باقیمانده قطعات صنعتی با بهره گیری از روش های ترکیبی نوین یادگیری ماشین

تعیین عمر باقیمانده مواد و تجهیزات صنعتی، همواره جزء دغدغه های مهندسین و طراحان بوده است. پیش بینی دقیق عمر باقیمانده قطعات صنعتی، نقشی حیاتی در کاهش هزینه های نگهداری، جلوگیری از خرابی های ناگهانی و افزایش بهره وری ایفا می کند. در سال های اخیر، ظهور و توسعه روش های یادگیری ماشین، به ویژه شبکه های عصبی عمیق، رویکردهای نوینی را در این حوزه به وجود آورده است. تلفیق نتایج آزمایشگاهی و تحلیل های مهندسی با روش های یادگیری ماشین، علاوه بر افزایش بهره وری و دقت محاسبات، هزینه های نهایی را به شدت کاهش می دهد. این مقاله با بررسی مطالعات اخیر، به تبیین چارچوب ها، مدل ها و تکنیک های متنوعی می پردازد که در راستای بهبود دقت و کارایی پیش بینی دقیق عمر باقیمانده قطعات صنعتی ارائه شده اند. این بررسی شامل کاربرد استنتاج علی و مدل های زبانی بزرگ برای انتخاب داده های مرتبط، با بهره گیری از روش های یادگیری عمیق با قابلیت کمی سازی عدم قطعیت و توسعه مدل های ترکیبی با هدف تجمیع مزایای رویکردهای مختلف می باشد. در این پژوهش از روش های مدل های زبانی بزرگ شامل معماری ترنسفورمر و CNN-LSTM و مدل ترکیبی از این دو مدل استفاده شد و نتیجه ای که حاصل شد برای محاسبه پیش بینی عمر باقیمانده قطعات صنعتی از داده های مفروض روش CNN-LSTM و مدل ترکیبی عملکرد به مراتب مطلوب تری نسبت به روش ترنسفورمر دارد.

کلیدواژه ها:

پیش بینی عمر باقیمانده (RUL) ، تخمین عمر قطعات صنعتی ، یادگیری ماشین ، مدل های زبانی بزرگ (LLMs) ، ترنسفورمر ، CNN-LTSM ، مدل های ترکیبی ، داده های حسگر