طراحی یک چارچوب مبتنی بر اینترنت اشیاء و یادگیری ماشین برای نگهداری پیش بینانه تجهیزات حیاتی در صنایع فرایندی

نگهداری و تعمیرات پیش بینانه به عنوان یکی از مولفه های کلیدی تحول دیجیتال در چارچوب صنعت ۴٫۰، نقش مهمی در افزایش قابلیت اطمینان، کاهش توقف های ناخواسته و بهینه سازی هزینه های عملیاتی ایفا می کند. پیشرفت های اخیر در حوزه اینترنت اشیا، منجر به تولید حجم عظیمی از داده های عملیاتی از تجهیزات صنعتی شده است که تحلیل موثر آن ها بدون بهره گیری از الگوریتم های یادگیری ماشین امکان پذیر نیست. در این راستا، تلفیق اینترنت اشیا و هوش مصنوعی، بستر مناسبی برای توسعه راهکارهای هوشمند نگهداری و تعمیرات پیش بینانه فراهم کرده است. این مقاله یک مرور تحلیلی و نظام مند از پژوهش های مرتبط با نگهداری و تعمیرات پیش بینانه مبتنی بر اینترنت اشیا و یادگیری ماشین ارائه می دهد. مطالعات منتخب از پایگاه های علمی معتبر استخراج و بر اساس معیارهایی نظیر نوع صنعت، معماری اینترنت اشیا، تکنیک های یادگیری ماشین، نوع داده های ورودی و اهداف پیش بینی، مورد بررسی و دسته بندی قرار گرفته اند. تمرکز اصلی این مرور بر صنایع نفت، گاز و پتروشیمی به عنوان نمونه های شاخص صنایع فرایندی است، جایی که پیچیدگی تجهیزات، شرایط عملیاتی سخت و الزامات ایمنی بالا، نیاز به راهکارهای پیش بینانه هوشمند را دوچندان می سازد. نتایج این مطالعه نشان می دهد که مدل های یادگیری عمیق، به ویژه شبکه های عصبی بازگشتی و کانولوشنی، در ترکیب با معماری های مبتنی بر پردازش لبه و رایانش ابری، عملکرد مطلوبی در پیش بینی خرابی تجهیزات حیاتی از خود نشان داده اند. با این حال، چالش هایی نظیر کیفیت داده، مقیاس پذیری سیستم ها، تفسیرپذیری مدل ها و ملاحظات امنیتی همچنان پابرجا هستند. در نهایت، این مقاله با ارائه یک چارچوب مفهومی یکپارچه و داده محور، مسیرهای پژوهشی آینده و الزامات پیاده سازی صنعتی نگهداری و تعمیرات پیش بینانه در صنایع فرایندی را تبیین می کند؛ چارچوبی که قابلیت تعمیم به سایر صنایع با ویژگی های عملیاتی مشابه را دارد.

کلیدواژه ها:

نگهداری و تعمیرات پیش بینانه ، اینترنت اشیا ، یادگیری ماشین ، صنایع فرایندی ، صنعت نفت و گاز ، یادگیری عمیق ، صنعت ۴٫۰ ، پایش وضعیت تجهیزات