مدل هوشمند تخمین عمر مفید باقی مانده قطعات بر پایه شبکه عصبی گرافی با تمرکز بر ناهمگن بودن داده سنسورها در تعمیرات پیشگویانه

تعمیرات پیشگویانه نوعی از تعمیرات است که در آن، اطلاعات سنسورها با استفاده از هوش مصنوعی تحلیل می شود تا عمر مفید باقی مانده تجهیزات تعیین شود. سپس با استفاده از این تخمین، برنامه تعمیراتی تهیه می شود. این نوع از تعمیرات می تواند هزینه را نسبت به دیگر سیاست های تعمیراتی بسیار کاهش دهد چراکه در آن بیش تعمیری و خرابی ها کاهش می یابند. مهم ترین عنصر در تعمیرات پیشگویانه، تخمین دقیق عمر مفید باقی مانده است. در سال های اخیر بسیاری از محققین با استفاده از روش های هوش مصنوعی از جمله یادگیری عمیق، تلاش کرده اند دقت پیش بینی را افزایش دهند. کمبود عمده پژوهش های موجود، در نظر نگرفتن ارتباطات ساختاری میان سنسورها است. مدل های یادگیری عمیق معمولا فقط بر الگوهای زمانی تمرکز دارند و این باعث می شود دقت پیش بینی کاهش یابد. اخیرا محققان از روش های شبکه عصبی گرافی برای تخمین عمر مفید باقی مانده قطعات استفاده کرده، و نشان داده اند نسبت به دیگر روش های موجود بهتر عمل می کند. با وجود بهبود نتایج، بیشتر پژوهش های پیشین ناهمگونی سنسورها را از نظر نوع اطلاعات ثبت شده و نواسانات سیگنال ها نادیده گرفته اند. در این پژوهش برای اولین بار شبکه عصبی حافظه بلند-کوتاه مدت برای تعیین الگوهای زمانی، در کنار شبکه عصبی گرافی برای تعیین وابستگی های ساختاری مورد استفاده قرار می گیرد. همچنین ایده نوینی برای در نظرگیری ناهمگونی سنسورها پیشنهاد می شود. نتایج مقایسات نشان می دهند این روش می تواند، بهبود چشم گیری در روند پیش بینی ایجاد کند. همچنین آزمایش بر روی تعدادی موتور هواپیما از داده های ناسا، نشان می دهد این روش توانسته است تا ۹ درصد، دقت پیش بینی را نسبت به مدل های موجود بالاتر ببرد.

کلیدواژه ها:

پیش بینی عمر مفید باقی مانده ، شبکه عصبی گرافی ، شبکه عصبی حافظه بلند-کوتاه مدت ، یادگیری عمیق ، تعمیرات پیشگویانه