طراحی سیستمهای نگهداری و تعمیرات پیشبینانه مبتنی بر یادگیری عمیق برای تجهیزات دوار با استفاده از تحلیل داده های ارتعاشی و ترموگرافی

تجهیزات دوار از جمله موتورهای الکتریکی، پمپ ها، توربین ها و کمپرسورها نقش حیاتی در صنایع مختلف ایفا می کنند و بروز خرابی در آنها می تواند منجر به توقف، تولید افزایش هزینه های تعمیرات و کاهش بهره وری شود. در سال های اخیر، توسعه راهکارهای نگهداری و تعمیرات پیشبینانه مبتنی بر هوش مصنوعی به عنوان رویکردی موثر برای تشخیص زودهنگام عیوب مورد توجه قرار گرفته است. پژوهش حاضر به طراحی یک سیستم نگهداری و تعمیرات پیشبینانه مبتنی بر یادگیری عمیق برای تجهیزات دوار با استفاده از تلفیق داده های ارتعاشی و تصاویر ترموگرافی می پردازد. در این پژوهش سیگنال های ارتعاشی پس از پیش پردازش و استخراج ویژگی های زمانی فرکانسی و زمان-فرکانس در کنار تصاویر حرارتی تجهیزات، به عنوان ورودی مدل های یادگیری عمیق شامل شبکه های عصبی کانولوشنی و شبکه های حافظه بلندمدت کوتاه مدت مورد استفاده قرار می گیرند. همچنین با بهره گیری از روش های همجوشی داده، اطلاعات حاصل از دو منبع داده به منظور افزایش دقت تشخیص و پیش بینی خرابی ترکیب می شوند. عملکرد مدل پیشنهادی با استفاده از معیارهایی نظیر دقت، فراخوانی، امتیاز FI و نرخ تشخیص صحیح ارزیابی شده و با روش های متداول مبتنی بر یادگیری ماشین مقایسه می شود. نتایج مورد انتظار نشان می دهد که استفاده هم زمان از داده های ارتعاشی و ترموگرافی در کنار معماری های یادگیری عمیق موجب افزایش دقت تشخیص عیوب، کاهش نرخ هشدارهای کاذب و پیش بینی دقیق تر زمان وقوع خرابی خواهد شد. این پژوهش می تواند گامی موثر در توسعه سامانه های هوشمند نگهداری و تعمیرات، کاهش هزینه های تعمیراتی، افزایش قابلیت اطمینان تجهیزات و ارتقای بهره وری صنایع مبتنی بر تجهیزات دوار باشد.

کلیدواژه ها:

نگهداری و تعمیرات پیشبینانه ، یادگیری عمیق ، تجهیزات ، دوار ، داده های ارتعاشی ، ترموگرافی