نگهداری و تعمیرات پیشبینانه صنعتی: مدلسازی زمانی مبتنی بر هوش مصنوعی برای پیشبینی عمر مفید باقیمانده
نگهداری و تعمیرات پیشبینانه صنعتی: مدلسازی زمانی مبتنی بر هوش مصنوعی برای پیشبینی عمر مفید باقیمانده
رادین صاحبدل1 زهرا تقی خاکی2 فاطمه فلاح3
1) دانشجویی کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی دانشگاه تحصیلات تکمیلی علوم پایه زنجان
2) استادیار دانشگاه تحصیلات تکمیلی علوم پایه زنجان
3) دانشجویی کارشناسی ارشد کامپیوتر دانشگاه تحصیلات تکمیلی علوم پایه زنجان
کد IOI مقاله
:
AAHD-ABCGFH
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
پیشبینی عمر مفید باقیمانده (Remaining Useful Life یا RUL) تجهیزات صنعتی یکی از الزامات اصلی برای پیادهسازی راهبردهای مؤثر نگهداری و تعمیرات پیشبینانه در محیطهای تولیدی مدرن به شمار میرود. با این حال، در عمل، برآورد RUL بر اساس دادههای حسگری به دلیل ماهیت غیرخطی فرآیندهای تخریب و همچنین وجود شرایط عملیاتی متنوع که رفتار سیستم را در طول زمان تحت تأثیر قرار میدهند، با چالشهای قابلتوجهی همراه است.
در این پژوهش، یک چارچوب یادگیری عمیق دادهمحور ارائه شده است که با ترکیب استخراج ویژگیهای مبتنی بر شبکههای کانولوشنی و مدلسازی زمانی دوسویه، به بهبود عملکرد پیشبینی RUL کمک میکند. در این رویکرد، ابتدا از یک شبکه عصبی کانولوشنی یکبعدی برای استخراج الگوهای مرتبط با تخریب از سیگنالهای حسگری چندمتغیره استفاده میشود. سپس این ویژگیها به یک شبکه حافظه بلندمدت کوتاهمدت دوسویه (BiLSTM) داده میشوند تا وابستگیهای زمانی در طول مسیر تخریب مدلسازی شوند. در ادامه، یک مکانیزم توجه افزایشی نیز در ساختار مدل ادغام میشود تا شبکه بتواند بر چرخههای عملیاتی حاوی اطلاعات مؤثرتر تمرکز کرده و سهم بیشتری به آنها در تخمین نهایی RUL اختصاص دهد.
بهمنظور افزایش پایداری مدل در شرایط عملیاتی مختلف، یک راهبرد نرمالسازی آگاه از شرایط در مرحله پیشپردازش دادهها در نظر گرفته شده است. چارچوب پیشنهادی بر روی هر چهار زیرمجموعه (FD001 تا FD004) از مجموعهداده NASA CMAPSS با استفاده از معیارهای استاندارد ریشه میانگین مربعات خطا (RMSE) و معیار امتیازدهی ناسا مورد ارزیابی قرار گرفته است. نتایج تجربی نشان میدهند که مدل ارائهشده در مجموعهدادههایی با حالتهای خرابی و شرایط عملیاتی متفاوت، عملکرد پیشبینی نسبتاً پایداری دارد و در عین حال از همگرایی مناسب و پیچیدگی محاسباتی متعادل برخوردار است. این یافتهها حاکی از آن است که معماری پیشنهادی میتواند راهکاری قابلاعتماد و مقیاسپذیر برای پیشآگاهی دادهمحور در کاربردهای نگهداری و تعمیرات پیشبینانه فراهم آورد.
کلمات کلیدی : عمر مفید باقیمانده نگهداری و تعمیرات پیشبینانه شبکه عصبی کانولوشنی (cnn) شبکه حافظه بلندمدت کوتاهمدت دوسویه (bilstm) مکانیزم توجه