مدل هوش مصنوعی قابل درک برای نگهداری پیش بینانه و مدیریت بهینه موجودی یدکی قطعات پمپ ها

در صنعت پمپاژ و انتقال سیالات، خرابی ناگهانی تجهیزات دوار می تواند پیامدهای اقتصادی و عملیاتی قابل توجهی به همراه داشته باشد. توسعه سامانه های هوشمند نگهداری پیش بینانه، امکان شناسایی زودهنگام الگوهای خرابی را فراهم کرده است؛ با این حال، بسیاری از مدل های یادگیری ماشین به دلیل ماهیت «جعبه سیاه» خود، فاقد شفافیت لازم برای تصمیم گیرندگان صنعتی هستند. این پژوهش با هدف افزایش تفسیرپذیری و اعتماد در تصمیمات نگهداری، یک چارچوب هوش مصنوعی تبیین پذیر XAI برای پیش بینی خرابی پمپ ها و بهینه سازی قطعات یدکی ارائه می کند. در گام نخست، داده های عملیاتی پمپ ها شامل ارتعاش، دما، فشار و سرعت چرخش جمع آوری و با استفاده از الگوریتم های یادگیری ماشین، به ویژه درخت تصادفی مدل سازی شدند. سپس به کمک روش LIME، سهم هر ویژگی در تصمیم مدل مشخص و تفسیر انسانی از دلایل پیش بینی فراهم شد. نتایج نشان داد که دمای یاتاقان یا بلبرینگ ها، دامنه ارتعاش و نوسان فشار، بیشترین تاثیر را در بروز خرابی ها دارند. ترکیب خروجی مدل پیش بین با برنامه ریزی قطعات یدکی منجر به کاهش ۱۲٪ در سطح کل موجودی و افزایش ۱۵٪ در قابلیت دسترسی تجهیزات شد. بدین ترتیب، چارچوب پیشنهادی به عنوان الگویی کارآمد برای یکپارچه سازی نگهداری پیش بینانه و مدیریت موجودی در تجهیزات پمپاژ معرفی می گردد. یافته ها همچنین نشان می دهد که افزودن لایه تبیین پذیری به مدل های هوش مصنوعی، اعتماد مهندسان را افزایش داده و انتقال دانش از مدل به تصمیم گیرندگان را تسهیل می کند.

کلیدواژه ها:

هوش مصنوعی تبیین پذیر XAI- ، نگهداری پیش بینانه PdM- ، روش LIME ، پمپ های صنعتی ، بهینه سازی قطعات یدکی ، یادگیری ماشین