چارچوب ترکیبی پایش قابل تفسیر سلامت تجهیزات صنعتی با ترکیب یادگیری ماشین و دانش خبره

در رویکرد صنعت نسل چهار و پنج، که با اتصال دستگاه ها به اینترنت، هوش مصنوعی، تحلیل داده های بلندمدت، خودکارسازی هوشمند و دیجیتالی سازی و تعامل انسان و ماشین در خطوط تولید مشخص می شود، نگهداری و تعمیرات پیشگویانه به عنوان یک راهبرد کلیدی جهت افزایش قابلیت اطمینان و بهینه سازی هزینه های عملیاتی شناخته می شود. این رویکرد، به معنای پیش بینی خرابی قبل از رخداد آن با استفاده از داده های واقعی و الگوریتم های هوشمند، جایگزین روش های سنتی مانند نگهداری تصادفی یا برنامه ریزی شده است. با این وجود، پیاده سازی موثر آن با چالش هایی همچون کمبود داده های دارای برچسب خرابی، ناتوانی در شناسایی الگوهای تخریب جدید، و ماهیت جعبه سیاه مدل های یادگیری ماشین که توضیح پذیری نتایج را محدود می کند، روبرو است. این مقاله، یک چارچوب نرم افزاری جامع و هوشمند را معرفی می کند که برای پیش بینی خرابی تجهیزات طراحی شده است. این سیستم با ایجاد هم افزایی میان سه رویکرد تحلیلی شامل مدل یادگیری بانظارت، بی نظارت و دانش خبره، به راهکاری قدرتمند و انعطاف پذیر دست می یابد. این چارچوب یک مکانیزم هوشمند برای حل اختلاف میان مدل ها و ایجاد یک «گنجینه دانش تکامل پذیر» است که به مرور زمان با داده های جدید، خود را به روزرسانی می کند. خروجی نهایی، شاخص سلامتی کمی و قابل درک است که همراه با تحلیل های تفسیرپذیر، دیدگاهی عمیق نسبت به وضعیت آنی تجهیز و دلایل ریشه ای خرابی ها فراهم می آورد. این رویکرد، قابلیت اطمینان پیش بینی ها را افزایش داده و اعتماد مهندسان به سیستم های هوشمند را تسهیل می نماید.

کلیدواژه ها:

نگهداری و تعمیرات پیشگویانه ، شاخص سلامت ، یادگیری ماشین ، هوش مصنوعی ، مدل ترکیبی ، تفسیرپذیری (SHAP)