توسعه چارچوب تعمیر و نگهداری پیش بینانه تجهیزات صنعتی مبتنی بر پیش بینی طول عمر باقی مانده (RUL) با یادگیری ماشین

نگهداری و تعمیرات پیشبینانه یکی از روش های موثر برای افزایش بهره وری و کاهش هزینه های تجهیزات صنعتی است. در این مطالعه با بهره گیری از داده های عملیاتی و محیطی مربوط به تجهیزات یک مدل مبتنی بر الگوریتم XGBoost برای پیش بینی طول عمر باقیمانده (RUL) تجهیزات صنعتی ارائه شد. علاوه بر پیش بینی RUL شاخص ریسک خرابی (FRI) محاسبه شد تا ریسک نسبی خرابی تجهیزات در شرایط عملیاتی مختلف مشخص گردد. بر اساس ترکیب RUL و FRI سطوح هشدار سبز، زرد و قرمز و تصمیمات نگهداری نظارت یا تعمیر (فوری) تعیین شد. نتایج نشان داد که مدل قادر است روند کاهش عمر تجهیزات را با دقت مناسب پیش بینی کند و در تعیین زمان بهینه نگهداری، کاهش خرابی ناگهانی و کاهش هزینه های عملیاتی کمک موثری نماید. کاربرد این چارچوب در سیستم های لجستیک هوشمند و زنجیره تامین مبتنی بر هوش مصنوعی می تواند موجب شود تا تجهیزات صنعتی به موقع عمل کرده از توقف ناگهانی در خطوط بسته بندی و جابه جایی جلوگیری شود و در نتیجه تحویل به موقع سفارشات و بهره وری کل زنجیره تامین بهبود یابد.

کلیدواژه ها:

نگهداری و تعمیرات پیشبینانه ، پیش بینی خرابی ، طول عمر باقی مانده ، شاخص ریسک خرابی ، یادگیری ماشین