کاربرد روشهای مبتنی بر یادگیری عمیق در پایش وضعیت سیستم های هیدرولیک

سیستمهای هیدرولیک در دو دهه گذشته مورد توجه زیادی قرار گرفته است. با توجه به در دسترس بودن دادههای زیاد جمع آوری شده از کارخانههای صنعتی میتوان از یادگیری ماشینی برای این منظور استفاده پایش وضعیت تجهیزات در پیش بینی عیوب و انجام اقدامات اصلاحی اولیه میتواند بسیار موثر باشد. از آنجایی که سیستمهای هیدرولیک اکثر کارخانههای صنعتی را تشکیل میدهند، نگهداری کرد. پیشگویانه چنین سیستمهایی از اهمیت حیاتی برخوردار است. خرابی نگهداری پیشگویانه یا پایش وضعیت یک تکنیک تشخیصی پیشرفته سیستم هیدرولیک میتواند باعث توقف تولید کل کارخانه شود یا برای آشکار کردن عیوب ماشین آلات است در مراحل اولیه قبل از وقوع ایمنی اپراتورها را تهدید کند. علاوه بر این سیستمهای هیدرولیک هر گونه خرابی بنابراین تعمیر و نگهداری مورد نیاز را میتوان با تجزیه نظارت کند با توجه به این، دلایل پایش و ضعیت محیطهایی نیستند که اپراتور قادر باشد به راحتی بر وضعیت آنها و تحلیل سیگنالهای حسگر تجهیزات انجام داد. این روش نظارت سیستمهای هوشمند میتواند به طور مستقیم (آفلاین) یا غیر مستقیم (آنلاین) هیدرولیک در دو دهه گذشته مورد توجه زیادی قرار گرفته است. با اعمال شود استراتژی نظارت آفلاین بازرسی دوره ای در محل را به توجه به در دسترس بودن دادههای زیاد جمع آوری شده از کارخانه کمک ماشین انجام میدهد که نیاز به قطع شدن عملیات دارد. های صنعتی اخیرا محققان زیادی از یادگیری عمیق برای این منظور برعکس، نظارت آنلاین به طور مداوم تجهیزات را از طریق حسگرها در استفاده کرده.اند این مقاله به بررسی روشهای مبتنی بر یادگیری طول عملیات بررسی میکند تکنیکهای PdM را میتوان به دو دسته تقسیم کرد استراتژیهای مبتنی بر مدل یا مبتنی بر داده عمیق در پایش وضعیت سیستمهای هیدرولیک می پردازد.

کلیدواژه ها:

نگهداری و تعمیرات ، پایش وضعیت سیستم های هیدرولیک ، هوش مصنوعی ، یادگیری عمیق