رویکرد داده محور مبتنی بر یادگیری ماشین برای پیش بینی خرابی تجهیزات مکانیکی و پشتیبانی از تصمیم گیری تعمیراتی

افزایش پیچیدگی تجهیزات مکانیکی و هزینه های ناشی از خرابی و توقف ناخواسته، ضرورت گذار از رویکردهای سنتی نگهداری و تعمیرات به روش های پیش بینانه و داده محور را بیش از پیش نمایان کرده است. در این میان، بهره گیری از یادگیری ماشین می تواند با تحلیل الگوهای موجود در داده های عملکردی و عملیاتی تجهیزات، امکان شناسایی زودهنگام نشانه های خرابی را فراهم کند. پژوهش حاضر با هدف ارائه یک رویکرد داده محور مبتنی بر یادگیری ماشین برای پیش بینی خرابی تجهیزات مکانیکی و پشتیبانی از تصمیم گیری در حوزه نگهداری و تعمیرات انجام شده است. در این رویکرد، داده های مرتبط با وضعیت و عملکرد تجهیزات، شامل پارامترهایی نظیر ارتعاش، دما، فشار، سرعت و سایر شاخص های قابل اندازه گیری، پس از پیش پردازش و استخراج ویژگی های موثر، برای آموزش و ارزیابی مدل های یادگیری ماشین به کار گرفته می شوند. سپس عملکرد مدل ها در شناسایی الگوهای مرتبط با خرابی و پیش بینی وضعیت تجهیز مورد بررسی قرار می گیرد. خروجی مدل می تواند با فراهم کردن اطلاعات به موقع درباره احتمال وقوع خرابی، مبنایی برای اولویت بندی اقدامات تعمیراتی و برنامه ریزی مناسب تر فعالیت های نگهداری قرار گیرد. این رویکرد ضمن تقویت تصمیم گیری مبتنی بر شواهد، می تواند به استفاده کارآمدتر از منابع تعمیراتی و افزایش قابلیت اطمینان و بهره وری تجهیزات مکانیکی کمک کند.

کلیدواژه ها:

یادگیری ماشین ، نگهداری و تعمیرات پیش بینانه ، پیش بینی خرابی ، تجهیزات مکانیکی ، رویکرد داده محور ، قابلیت اطمینان تجهیزات.