تشخیص و پیش بینی خرابی اجزای هیدرولیکی ماشین آلات ساختمانی با استفاده از شبکه های عصبی عمیق

سیستم های هیدرولیکی نقش حیاتی در عملکرد ماشین آلات ساختمانی دارند و خرابی ناگهانی آن ها می تواند منجر به توقف پروژه ها و افزایش هزینه های تعمیر و نگهداری شود. این تحقیق با هدف توسعه یک روش هوشمند برای تشخیص و پیش بینی خرابی اجزای هیدرولیکی، مبتنی بر شبکه های عصبی عمیق، انجام شده است. داده های عملیاتی ماشین آلات در شرایط کاری واقعی جمع آوری و پس از پیش پردازش شامل حذف نویز، نرمال سازی و اصلاح مقادیر گمشده، در مدل یادگیری عمیق وارد شدند. شبکه عصبی طراحی شده قادر است الگوهای پنهان و غیرخطی میان پارامترهای مختلف سیستم نظیر فشار، دبی سیال، دما و ارتعاشات را شناسایی کند و تغییرات تدریجی مرتبط با آغاز خرابی را پیش بینی نماید.نتایج نشان می دهد که این رویکرد توانایی بالاتری در تشخیص زودهنگام خرابی و پیش بینی زمان باقی مانده تا شکست قطعات نسبت به روش های سنتی دارد و می تواند اطلاعات ارزشمندی برای برنامه ریزی تعمیرات پیشگیرانه فراهم کند. همچنین تحلیل داده های چندمنبعی نشان می دهد که ترکیب هم زمان پارامترهای مختلف سیستم، دقت پیش بینی را به طور قابل توجهی افزایش می دهد و امکان شناسایی تغییرات کوچک اما موثر در عملکرد سیستم را فراهم می آورد. این مدل می تواند به عنوان چارچوبی قابل اعتماد برای توسعه سیستم های پایش وضعیت آنلاین و کاهش هزینه های نگهداری در ماشین آلات ساختمانی مورد استفاده قرار گیرد.این پژوهش علاوه بر ارائه مدلی کارآمد برای تشخیص و پیش بینی خرابی، نشان می دهد که استفاده از روش های داده محور و هوشمند، جایگزین موثری برای روش های سنتی نگهداری واکنشی است و می تواند نقش مهمی در افزایش ایمنی، بهبود بهره وری و کاهش توقف های غیرمنتظره ماشین آلات داشته باشد.

کلیدواژه ها:

پایش وضعیت ، پیش بینی خرابی ، سیستم هیدرولیکی ، شبکه عصبی عمیق ، ماشین آلات ساختمانی