مروری بر کاربرد هوش مصنوعی در تعمیرات و نگهداری پیش بینانه و تولید هوشمند

سال انتشار: 1405
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 86

فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MMICONF20_009

تاریخ نمایه سازی: 25 خرداد 1405

چکیده مقاله:

در سال های اخیر، هوش مصنوعی به عنوان یکی از مهم ترین فناوری های تحول آفرین به ویژه در حوزه تعمیرات و نگهداری پیش بینانه Predictive Maintenance در صنعت ۴.۰ مطرح شده است. استفاده از روش های مبتنی بر یادگیری ماشین و یادگیری عمیق، امکان پیش بینی خرابی تجهیزات و بهینه سازی فرآیندهای نگهداری را فراهم کرده است. این مقاله به بررسی جامع جدیدترین پیشرفت های سال های اخیر در زمینه کاربرد هوش مصنوعی در سیستم های تولید هوشمند می پردازد. در این مطالعه، تکنیک های مختلف هوش مصنوعی، از جمله یادگیری ماشین، یادگیری عمیق، اینترنت اشیا صنعتی و دوقلوی دیجیتال مورد بررسی قرار گرفته اند. همچنین روندهای نوظهور مانند هوش مصنوعی مولد و هوش مصنوعی قابل توضیح مورد تحلیل قرار گرفته اند. نتایج نشان می دهد که استفاده از این فناوری ها منجر به کاهش هزینه ها، افزایش بهره وری و بهبود تصمیم گیری در محیط های صنعتی می شود. این مقاله پژوهشی به بررسی ادغام «هوش مصنوعی قابل توضیح» در سیستم های تعمیرات و نگهداری پیش بینانه نیز می پردازد و هدف آن افزایش شفافیت، قابلیت تفسیر و قابلیت اطمینان در کاربردهای صنعتی می باشد. این تحقیق به معرفی چارچوب «پارامترهای توضیح پذیری» که روشی ساختاریافته برای ارزیابی و بکارگیری است ارائه می دهد Pd.M. در XAI این مطالعه به صورت نظام مند پیشرفت ها و چالش های اخیر در ادبیات پژوهشی را مرور کرده و پیامدهای عملی و موانع روش های توضیح پذیری را ارائه و تحلیل می کند. موارد را به سه دسته تقسیم می کند: پیش از مدل سازی، حین مدل سازی و پس از مدل سازی. در سیستم های تولید مدرن، حجم زیادی از داده ها به صورت متنی و ساختارنیافته ذخیره می شوند که بخش عمده ای از آن ها بدون استفاده باقی می مانند. این پژوهش با ارائه یک رویکرد مبتنی بر هوش مصنوعی و متن کاوی، به استخراج دانش از گزارش های تعمیرات می پردازد DSB در دفتر شیفت دیجیتال. روش پیشنهادی شامل پیش بینی زمان توقف، پیشنهاد هوشمند کلمات برای مستندسازی و انتخاب تکنسین مناسب است. نتایج بهبود قابل توجهی در زمان تشخیص خرابی دارد. شاخص OEE پیاده سازی در صنعت خودروسازی نشان دهنده افزایش بیش از ۵ درصدی است.

کلیدواژه ها:

نگهداری و تعمیرات پیشگیرانه ، سیاست کیفیت فرایند ، کنترل کیفیت آماری ، مدل یکپارچه شده ، حداقل سازی هزینه ، XAI ، نگهداری و تعمیرات پیش بینانه (PdM) ، هوش مصنوعی (AI) ، صنعت ۴.۰ ، یادگیری ماشین (ML) ، اینترنت اشیا (IoT) ، یادگیری عمیق ، عمر مفید باقیمانده (RUL) ، پایش وضعیت

نویسندگان

شادی شیری

کارشناس ارشد مدیریت صنعتی