روندهای نوین در نگهداری و تعمیرات ماشین آلات سنگین شهری با تاکید بر فناوری های نوین

چکیده : ماشین آلات سنگین به عنوان عناصر کلیدی در پروژه های عمرانی شهری عمل می کنند و هرگونه توقف ناگهانی در عملکرد آن ها می تواند به افزایش چشمگیر هزینه ها، تاخیر در زمان بندی پروژه ها و ایجاد خطرات ایمنی منجر شود. این پژوهش، که یک مطالعه تجربی-میدانی است، به طراحی و اجرای یک سامانه نگهداری پیشگویانه پرداخت که بر پایه اینترنت اشیاء، حسگرهای ارتعاش و دما، و مدل های یادگیری عمیق مانند شبکه های عصبی حافظه بلند-کوتاه مدت استوار است. این سامانه بر روی ناوگانی متشکل از ۲۰ دستگاه ماشین آلات سنگین، شامل ۸ بولدوزر، ۷ بیل مکانیکی و ۵ لودر، پیاده سازی شد. داده های مورد نیاز طی یک دوره ۱۲ ماهه جمع آوری گردیدند و فرآیند تحلیل شامل مراحل پیش پردازش سیگنال های ارتعاشی، استخراج ویژگی های زمانی و فرکانسی، و آموزش مدل های رگرسیون خطی چندمتغیره و شبکه عصبی حافظه بلند-کوتاه مدت بود. معیارهای ارزیابی عملکرد مدل ها عبارت بودند از میانگین خطای مطلق، ریشه میانگین مربعات خطا، ضریب تعیین، زمان میانگین هشدار پیش از وقوع خرابی، میزان کاهش توقفات ناگهانی، و تحلیل هزینه-فایده. نتایج به دست آمده نشان دهنده برتری مدل شبکه عصبی حافظه بلند-کوتاه مدت با میانگین خطای مطلق برابر ۳.۱۰ روز، ریشه میانگین مربعات خطا برابر ۴.۱۵ روز و ضریب تعیین برابر ۰.۸۹ بود، در حالی که مدل رگرسیون خطی چندمتغیره مقادیری معادل ۴.۲۰ روز، ۵.۳۰ روز و ۰.۸۱ را به ثبت رساند (با سطح معناداری کمتر از ۰.۰۵ در آزمون تی). اجرای این سامانه نگهداری پیشگویانه منجر به کاهش ۲۷.۹ درصدی توقفات ناگهانی (از ۲۴۰ رویداد به ۱۷۳ رویداد)، افزایش بهره وری عملیاتی (که به عنوان نسبت ساعات عملیاتی به ساعات کل تعریف می شود) از ۷۵.۲ درصد به ۸۴.۴ درصد، و صرفه جویی خالص سالانه حدود ۳۳ میلیارد و ۲۴۰ میلیون ریال گردید. این صرفه جویی بر اساس فرمول محاسبه شده شامل تفاوت هزینه تعمیرات واکنشی ضربدر میزان کاهش توقفات، منهای هزینه های اولیه تجهیزات و هزینه های عملیاتی به دست آمد. علاوه بر این، تحلیل اهمیت ویژگی ها با استفاده از روش شاپلی نشان داد که میانگین مربعات ریشه انرژی ارتعاش با ۴۵ درصد و هارمونیک ها با ۳۰ درصد بیشترین نقش را در پیش بینی ایفا می کنند. این پژوهش تاکید می کند که ادغام اینترنت اشیاء، حسگرهای ارتعاش با کیفیت بالا و مدل های یادگیری توالی محور می تواند به طور قابل توجهی عملکرد و پایداری ناوگان ماشین آلات سنگین شهری را ارتقا دهد، هرچند باید به محدودیت هایی مانند هزینه های اولیه نصب و چالش های اقلیمی خاص منطقه خاورمیانه، نظیر گردوغبار و نوسانات شدید دمایی، توجه ویژه ای داشت. یافته های این مطالعه نه تنها جنبه های عملی نگهداری را بهبود می بخشد، بلکه زمینه ای برای تحقیقات آینده در زمینه ادغام فناوری های نوین فراهم می آورد.

کلیدواژه ها:

نگهداری پیشگویانه ، اینترنت اشیاء ، یادگیری ماشین ، شبکه عصبی حافظه بلند-کوتاه مدت ، حسگرهای ارتعاش ، ماشین آلات سنگین شهری