ارائه مدلی مبتنی بر یادگیری ماشین به منظور تشخیص زودهنگام و ارزیابی شدت عیوب در ماشین آلات دوار در صنعت با تاکید بر الگوریتم SVM

تولید بدون استفاده از ماشین آلات غیرممکن است. اکثر این ماشین ها شامل اجزای چرخشی هستند که اولویت اصلی مهندسان، نگهداری از این ماشین های حیاتی است. انقلاب صنعتی چهارم و هوش مصنوعی با حداکثرسازی طول عمر و کارایی عملیاتی تجهیزات به تولید مدل های نگهداری و تعمیرات پیش بینانه برای استفاده بهتر از تجهیزات کمک می کنند. پیش بینی خرابی این تجهیزات می تواند از توقف های غیرمنتظره و هزینه های بالای تعمیرات جلوگیری کند. تشخیص زودهنگام خرابی در یاتاقان های صنعتی نقش حیاتی در افزایش ایمنی و کاهش هزینه های نگهداری دارد. لذا هدف از این پژوهش ارائه مدلی مبتنی بر یادگیری ماشین به منظور تشخیص زودهنگام و ارزیابی شدت عیوب در ماشین آلات دوار در صنعت با تاکید بر الگوریتم SVM است. این پژوهش از نوع هدف کاربردی و از نوع روش تحلیلی نرم افزاری می باشد. در این پژوهش از دیتاستی برای شناسایی انواع خرابی های یاتاقان شامل خرابی رینگ داخلی رینگ خارجی، توپ ها و وضعیت عملکرد عادی استفاده شد. ویژگی های حوزه زمان شامل بیشینه، کمینه، میانگین، انحراف معیار، RMS، چولگی، کشیدگی، ضریب Crest و ضریب فرم استخراج شد و داده ها پس از استانداردسازی به مجموعه های آموزش و تست تقسیم شدند. برای مدل سازی از SVM با کرنل RBF استفاده شد و پارامترهای مدل با روش GridSearchCV بهینه سازی گردید. نتایج نشان داد که SVM بهینه قادر است با دقت %۹۶ انواع خرابی ها را تشخیص دهد در حالی که Logistic Regression به عنوان مدل مقایسه ای دقتی حدود ۹۴ داشت. ارزیابی مدل ها با استفاده از Confusion Matrix و Classification Report انجام شد و مشخص گردید که SVM به ویژه در شناسایی خرابی های توپ ها و رینگ خارجی عملکرد بهتری دارد. این پژوهش نشان می دهد که استفاده از ویژگی های حوزه زمان همراه با مدل های یادگیری ماشین می تواند ابزاری موثر برای پایش وضعیت یاتاقان ها در صنایع به ویژه صنایع پتروشیمی باشد و راهکاری عملی برای پیش بینی خرابی قبل از وقوع ارائه دهد.

کلیدواژه ها:

مدل یادگیری ماشین ، تشخیص زودهنگام ، عیوب ماشین آلات دوار ، SVM