طراحی و پیاده سازی سامانه هوشمند پیش بینی عمر باقیمانده تجهیزات صنعتی با استفاده از شبکه عصبی Attention-LSTM و اینترنت اشیا

با گسترش کاربرد هوش مصنوعی در صنایع پیش بینی خرابی تجهیزات و برآورد عمر باقی مانده آنها (RUL) به یکی از مهمترین موضوعات در نگهداری و تعمیرات پیشگویانه تبدیل شده است. در این پژوهش یک سامانه هوشمند مبتنی بر شبکه عصبی بازگشتی Attention-LSTM برای پیش بینی عمر باقی مانده موتورهای توربوفن ارائه شده است. داده های مورد استفاده از مجموعه داده استاندارد (NASA CMAPSS (FD۰۰۱ استخراج و پس از پیش پردازش شامل انتخاب سنسورهای موثر، نرمال سازی داده ها و تشکیل توالی های زمانی برای آموزش مدل استفاده شدند. به منظور بهبود دقت پیش بینی از مکانیزم Attention و روش کالیبراسیون خروجی مدل بهره گرفته شد. عملکرد مدل با استفاده از معیارهای MAE و RMSE ارزیابی شد. نتایج کمی نشان می دهد که اعمال مرحله کالیبراسیون موجب کاهش خطای RMSE از ۱۶.۲۷ به ۱۵.۰۹ (۷.۲ درصد بهبودی) گردیده و خطای MAE نیز در سطح ۱۱.۲۷ تثبیت شده است که بیانگر افزایش پایداری و قابلیت اطمینان مدل در پیش بینی روند کاهش عمر تجهیزات می باشد. همچنین به منظور افزایش قابلیت کاربرد در محیط های صنعتی، یک سامانه مبتنی بر اینترنت اشیا (IoT) طراحی شد که در آن مقدار RUL پیش بینی شده از طریق پروتکل HTTP به برد ESP۳۲ ارسال شده و وضعیت سلامت تجهیز با استفاده از LED سه رنگ و بوق هشدار نمایش داده می شود. نتایج این پژوهش نشان می دهد که ترکیب مدل های یادگیری عمیق و اینترنت اشیا می تواند گامی موثر در توسعه سامانه های نگهداری پیشگویانه و کاهش هزینه های تعمیر و توقف تجهیزات صنعتی باشد.

کلیدواژه ها:

پیش بینی عمر باقی مانده ، شبکه Attention-LSTM ، نگهداری پیشگویانه ، اینترنت اشیاء ، CMAPSS