کاربرد اینترنت اشیا و یادگیری ماشین در نگهداری و تعمیرات پیش بینانه هوشمند ماشین آلات دوار صنعتی

خرابی ناگهانی ماشین آلات دوار صنعتی، به ویژه یاتاقان های غلتشی که یکی از پراستفاده ترین و در عین حال آسیب پذیرترین اجزای این تجهیزات به شمار می روند، می تواند هزینه های سنگینی ناشی از توقف تولید، تعمیرات اضطراری و کاهش عمر مفید تجهیزات به همراه داشته باشد. رویکردهای سنتی نگهداری و تعمیرات، اعم از نگهداری اصلاحی پس از وقوع خرابی یا نگهداری پیشگیرانه بر پایه بازه های زمانی ثابت، معمولا منجر به هزینه های اضافی یا خرابی های غیرمنتظره می شوند. در این مقاله، چارچوبی ترکیبی مبتنی بر اینترنت اشیا و یادگیری ماشین برای نگهداری و تعمیرات پیش بینانه ماشین آلات دوار صنعتی معرفی می شود. روش پیشنهادی، ترکیبی از شبکه عصبی کانولوشنی برای استخراج خودکار ویژگی از سیگنال های ارتعاشی و شبکه LSTM برای مدل سازی وابستگی های زمانی است که با تحلیل داده های حسگرهای ارتعاش سنج نصب شده بر روی یاتاقان ها، قادر به تشخیص و طبقه بندی سه نوع رایج عیب شامل عیب شیار داخلی، عیب شیار خارجی و عیب غلتک است. عملکرد مدل پیشنهادی با چهار مدل پایه شامل ماشین بردار پشتیبان، جنگل تصادفی، نزدیک ترین همسایگی و شبکه عصبی مصنوعی، در یک محیط شبیه سازی شده متناظر با داده های ارتعاشی استاندارد یاتاقان مقایسه شد. نتایج نشان می دهد مدل ترکیبی پیشنهادی با دقت تشخیص ۷/۹۷ درصد و امتیاز F۱ برابر با ۹۶۲/۰، عملکردی برتر نسبت به سایر مدل ها دارد. این یافته ها می تواند مبنای مناسبی برای طراحی سامانه های پایش وضعیت بلادرنگ در واحدهای صنعتی، معدنی و نیروگاهی فراهم آورد و به کاهش هزینه های نگهداری و افزایش قابلیت اطمینان ماشین آلات دوار کمک نماید.

کلیدواژه ها:

نگهداری و تعمیرات پیش بینانه ، اینترنت اشیا ، یادگیری ماشین ، تحلیل ارتعاشات ، تشخیص عیب یاتاقان