چارچوبی مبتنی بر داده برای پیش بینی خرابی تجهیزات صنعتی و بهینه سازی نگهداری پیشگویانه با استفاده از یادگیری عمیق و داده های سنسوری زمان واقعی

خرابی های غیر برنامه ریزی شده تجهیزات حیاتی صنعتی مانند پمپ ها کمپرسورها یکی از منابع اصلی ناکارآمدی عملیاتی خطرات ایمنی و زیان های اقتصادی در صنایع سرمایه بر مانند نفت و گاز، پتروشیمی و تولید انرژی محسوب می شوند. روش های سنتی، نگهداری یعنی نگهداری اصلاحی و پیشگیرانه، ذاتا واکنشی یا مبتنی بر زمان بندی ثابت هستند و منجر به یا توقفات طولانی یا مداخلات غیر ضروری می شوند. در پاسخ به این چالش این پژوهش یک چارچوب مبتنی بر داده برای نگهداری پیشگویانه (PdM) ارائه می دهد که از هوش مصنوعی (AI) و داده های سنسوری زمان واقعی برای پیش بینی خرابی تجهیزات و تخمین زمان باقی مانده ی عمر مفید (RUL) بهره می برد. با توجه به کمبود داده های برچسب دار خرابی در محیط های صنعتی واقعی یک مجموعه داده ی شبیه سازی شده با وفاداری بالا تولید شد که مسیرهای تخریب پارامترهای عملیاتی کلیدی دما لرزش و فشار را بر اساس مدل های مهندسی مبتنی بر اصول اولیه شبیه سازی می کند. سه معماری یادگیری ماشین (ML) و یادگیری عمیق (DL) شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و حافظه کوتاه مدت بلند (LSTM) به صورت دقیق آموزش داده شده و ارزیابی گردیدند. نتایج آزمایشی نشان می دهد که مدل LSTM عملکردی برتر دارد و دقت ۰.۹۱ معادل ۰.۸۹ و RMSE برابر با ۰.۱۲ را در تخمین RUL به دست می آورد. آزمون آماری معنی داری آزمون t جفت شده (p < ۰.۰۱) برتری LSTM را نسبت به مدل های رقیب تایید می کند. علاوه بر این، یک تحلیل جامع فنی اقتصادی نشان می دهد که پیاده سازی سیستم پیشنهادی می تواند تا ۳۰% هزینه های نگهداری، ۴۰% توقفات غیر برنامه ریزی شده و ۲۵% اثربخشی کلی تجهیزات (OEE) را بهبود بخشد. این پژوهش با پرداختن به شکاف های پژوهشی حیاتی به ویژه کمبود داده های چند وجهی واقعی و چالش ادغام با سیستم های قدیمی شکاف بین پژوهش های نظری هوش مصنوعی و پیاده سازی عملیاتی صنعتی را پر می کند. چارچوب پیشنهادی قابل گسترش مقیاس پذیر بوده و پایه ای برای سیستم های نسل بعدی مدیریت هوشمند دارایی ها فراهم می آورد.

کلیدواژه ها:

نگهداری پیش ، نگهداری پیشگویانه ، هوش مصنوعی یادگیری عمیق ، LSTM ، پیش بینی خرابی ، زمان باقی مانده ی عمر مفید ، داده های زمان واقعی ، اینترنت اشیاء صنعتی