یادگیری ماشین در نگهداری و تعمیرات پیشگویانه

حرکت ویا به تعبیر درست جهش در فن آوری های نوین با شتاب بالایی در حال انجام است . هوش مصنوعی در چند دهه اخیر بجایی رسیده که شاید آینده پژوهان هم این پیش بینی را نداشتند. لذا همگام بودن شرکت های فن آور با این رشد چشم گیر بسیار واجب و ضروری است.

بر این اساس می طلبد که شاغلین در این فن آوری ها اعم از شرکت ها ، اساتید دانشگاه ها ، مراکز پژوهشی در رصد فن آوری ها و یادگیری مطالب جدید و ارائه آن به صنعت گران و دست اندکاران خدمات تولید و دیگر مشاغلی که از این فن آوری ها استفاده می کنند اقدام نمایند. در این مقاله به یکی از فن آوری های جدید به نام یادگیری ماشین که یکی از زیر مجموعه های هوش مصنوعی است پرداخته و کاربرد آن در نگهداری و تعمیرات پیشگویانه را به صورت خلاصه شرح می دهیم. 

نگهداری و تعمیرات و نقش آن در ثبات و کیفیت تولید

یک کارخانه تولیدی اگر یک سیستم نگهداری و تعمیرات منسجم و هوشمند داشته باشد در صد بالایی از تلفات و اتلاف انرژی و هزینه جلوگیری خواهد شد. همچنین بهره وری بالا در تولید بدست خواهد آمد.

نگهداری و تعمیرات پیشگیرانه طبق یک برنامه از پیش تعریف شده، معمولاً بر اساس فواصل زمانی یا موارد مورد نیاز، به عنوان مثال، تعداد مشخصی از ساعات کاری، انجام می‌شود.
فعالیت‌های نگهداری و تعمیرات پیشگیرانه صرف نظر از وجود علائم تخریب یا خرابی تجهیزات انجام می‌شوند و با برنامه ای  از قبل تدوین شده و با زمان بندی خاص و تخصیص منابع و نیروی انسانی  انجام می شود.
یک نوع از نگهداری وتعمیرات نگهداری واکنشی یا نگهداری و تعمیرات اصلاحی است که پاسخ به خرابی‌ها یا خرابی‌های تجهیزات در هنگام وقوع، بدون برنامه‌ریزی یا زمان‌بندی قبلی صورت می گیرد.
تمرکز اصلی نگهداری و تعمیرات واکنشی بر تعمیر ماشین‌آلات برای بازیابی عملکرد است، نه جلوگیری از وقوع خرابی‌ها در مرحله اول و اطمینان از عملکرد صحیح تجهیزات، این نوع از نگهداری و تعمیرات می‌تواند به دلیل هزینه‌های مرتبط با تعمیرات اضطراری، قطعات جایگزین و از دست دادن بهره‌وری پرهزینه باشد.

نگهداری و تعمیرات پیشگویانه:

نگهداری و تعمیرات پیشگویانه  یک استراتژی نگهداری و تعمیرات پیشگیرانه است که از تجزیه و تحلیل داده‌ها، یادگیری ماشین و سایر تکنیک‌های پیش‌بینی‌کننده برای پیش‌بینی زمان احتمالی خرابی تجهیزات یا ماشین‌آلات استفاده می‌کند و امکان انجام نگهداری و تعمیرات قبل از وقوع خرابی پرهزینه را فراهم می‌کند.

نگهداری و تعمیرات پیش‌بینی‌شده، خرابی‌های غیرمنتظره را 70 درصد کاهش و بهره‌وری عملیاتی را 25 درصد افزایش می‌دهد و درهزینه‌های نگهداری و تعمیرات تا 25 درصد امکان کاهش را دارد.
در نگهداری و تعمیرات پیش‌بینی‌شده، داده‌ها از حسگرها، دستگاه‌های اینترنت اشیا و سایر منابع با کمک سرویس تجزیه و تحلیل داده‌ها تجزیه و تحلیل می‌شوند تا الگوها و روندهایی که می‌توانند منجر به خرابی تجهیزات شوند، شناسایی شوند. الگوریتم‌های نگهداری و تعمیرات پیش‌بینی‌کننده با نظارت بر عواملی مانند دما، ارتعاش، فشار و جریان و... می‌توانند مشکلات احتمالی را پیش‌بینی کرده و اقدامات نگهداری و تعمیرات را برای جلوگیری از خرابی، کاهش هزینه‌های نگهداری و بهینه‌سازی عملکرد دارایی توصیه کنند.

نگهداری پیش‌بینانه به طور غیرمستقیم با تضمین ارائه خدمات قابل اعتماد و بدون وقفه، رضایت مشتری را بهبود می‌بخشد. با به حداقل رساندن زمان خرابی و اختلالات برنامه‌ریزی نشده، سازمان‌ها انتظارات مشتری را برای در دسترس بودن محصول، کیفیت و قابلیت اطمینان برآورده می‌کنند و تجربه کلی مشتری و وفاداری را افزایش می‌دهند.

مراحل مهم فرآیند یادگیری ماشین در نگهداری و تعمیرات پیشگویانه

ورودی داده‌های بلادرنگ
داده‌های بلادرنگ از حسگرها، دستگاه‌های اینترنت اشیا یا سایر منابع به طور مداوم جمع‌آوری و به مدل نگهداری و تعمیرات پیش‌بینی‌کننده وارد می‌شوند. داده‌های جمع‌آوری‌شده از دستگاه‌ها شامل معیارهای مختلفی مربوط به سلامت تجهیزات، شرایط عملیاتی عادی و عوامل محیطی است. حسگرهای تعبیه‌شده در تجهیزات، پارامترهایی مانند دما، ارتعاش، فشار، سطح سیال و جریان‌های الکتریکی را اندازه‌گیری می‌کنند. علاوه بر داده‌های بلادرنگ، سوابق نگهداری و تعمیرات ، گزارش‌های الگوهای خرابی و داده‌های عملکرد تجهیزات نیز برای زمینه‌سازی بیشتر به مدل اضافه می‌شوند.

فرآیند پیش بینی
در مرحله دوم، مدل نگهداری و تعمیرات پیش‌بینی‌کننده، داده‌های ورودی را تجزیه و تحلیل می‌کند تا الگوها، هم بستگی‌ها و ناهنجاری‌های نشان‌دهنده خرابی‌های احتمالی تجهیزات یا نیازهای نگهداری و تعمیرات را شناسایی کند. یادگیری ماشینی برای ارائه عملکرد اصلی استفاده می‌شود و مسئول پردازش داده‌ها و تولید پیش‌بینی است. بر اساس تجزیه و تحلیل داده‌های ورودی و اعتبارسنجی مدل، مدل نگهداری و تعمیرات پیش‌بینی‌کننده، پیش‌بینی‌های دقیقی در مورد احتمال خرابی تجهیزات یا الزامات نگهداری و تعمیرات ارائه می‌دهد. این پیش‌بینی‌ها ممکن است به صورت نمرات احتمال، هشدارها یا اقدامات پیشنهادی بیان شوند.

هشدارها و اعلان‌ها

هنگامی که مدل نگهداری و تعمیرات پیش‌بینی‌کننده، شناسایی پیشگیرانه یک خرابی یا مشکل احتمالی در نگهداری و تعمیرات را تکمیل می‌کند، هشدارها یا اعلان‌هایی را به ذینفعان مربوطه ارسال می‌کند. این هشدارها ممکن است از طریق کانال‌های مختلفی مانند ایمیل، پیامک یا به طور مستقیم در سیستم‌های نظارتی سازمان ادغام شوند. هشدارها به عنوان یک سیستم هشدار اولیه عمل می‌کنند و به تیم‌های نگهداری و تعمیرات اجازه می‌دهند تا اقدامات پیشگیرانه‌ای را برای رسیدگی به مشکلات احتمالی قبل از تبدیل شدن به خرابی‌های پرهزینه انجام دهند.

تصمیم‌گیری مبتنی بر داده

با آگاهی از بینش‌های پیش‌بینی‌کننده، تیم‌های نگهداری و تعمیرات می‌توانند تصمیمات آگاهانه‌ای در مورد برنامه‌ریزی فعالیت‌های نگهداری و تعمیرات بگیرند. وظایف نگهداری و تعمیرات را می‌توان بر اساس شدت و فوریت مشکلات پیش‌بینی‌شده اولویت‌بندی کرد. نگهداری و تعمیرات پیش‌بینی‌کننده به بهینه‌سازی منابع کمک می‌کند

با پیش‌بینی زمان احتمالی خرابی تجهیزات، امکان برنامه‌ریزی پیشگیرانه فعالیت‌های نگهداری و تعمیرات فراهم می‌شود.
در این نوع وظایف نگهداری و تعمیرات بر اساس شرایط واقعی تجهیزات انجام می‌شوند، نه بر اساس یک برنامه ثابت یا آستانه استفاده.

سازمان‌ها با استفاده از تجزیه و تحلیل داده‌ها و الگوریتم‌های یادگیری ماشینی، می‌توانند بینش‌های عملی ایجاد کنند که تصمیم‌گیری آگاهانه را ممکن می‌سازد. این روش‌ها که به عنوان فرآیندهای تصمیم‌گیری مبتنی بر داده شناخته می‌شوند، به سازمان‌ها اجازه می‌دهند قضاوت‌های دقیق‌تری در موارد زیر داشته باشند.

1- استراتژی‌های نگهداری: داده‌ها می‌توانند نشان دهند که تجهیزات چه زمانی نیاز به نگهداری وتعمیرات دارند و به برنامه‌ریزی مؤثر این رویدادها و به حداقل رساندن زمان از کارافتادگی کمک می‌کنند.

2- سرمایه‌گذاری در تجهیزات: بینش‌های حاصل از روند داده‌ها می‌تواند بر اساس عواملی مانند معیارهای عملکرد و ارزش طول عمر، در تصمیم‌گیری در مورد زمان سرمایه‌گذاری در تجهیزات جدید یا ارتقاء ماشین‌آلات موجود کمک کند.

3- اولویت‌های عملیاتی: با تجزیه و تحلیل داده‌های بلادرنگ، سازمان‌ها می‌توانند بلافاصله مسائل عملیاتی فوری را شناسایی و برطرف کنند که منجر به بهبود کارایی و بهره‌وری می‌شود.

به طور کلی، یک رویکرد مبتنی بر داده یک مزیت استراتژیک ارائه می‌دهد که منجر به تصمیم‌گیری‌های بهتر و نتایج مفید می‌شود.

مهندسی یادگیری ماشین و هوش مصنوعی

یادگیری ماشین علمی است که باعث می‌شود رایانه‌ها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند. الگوریتم‌های یادگیری ماشین یک مدل ریاضی بر اساس داده‌های نمونه یا داده‌های آموزش به منظور پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی آشکار، ایجاد می‌کنند.

برای ارائه مثالی از این مورد، یک الگوریتم می‌تواند داده‌های ارتعاش یک ماشین دوار را تجزیه و تحلیل کند و بر اساس الگوهای ارتعاش غیرطبیعی، خرابی قریب‌الوقوع یاتاقان را پیش‌بینی کند. نگهداری و تعمیرات برای تعویض یاتاقان قبل از خرابی برنامه‌ریزی می‌شود و از خرابی برنامه‌ریزی نشده جلوگیری می‌کند.
انواع مدل‌های یادگیری ماشین مورد استفاده در نگهداری و تعمیرات پیش‌بینانه
مدل‌های یادگیری ماشین نقش مهمی در نگهداری و تعمیرات پیش‌بینانه دارند و به تجزیه و تحلیل داده کمک می‌کنند.

یادگیری نظارت‌شده
یادگیری نظارت شده شامل آموزش یک مدل بر روی داده‌های برچسب‌گذاری شده است، که در آن ویژگی‌های ورودی (پیش‌بینی‌کننده‌ها) با برچسب‌های خروجی مربوطه (پاسخ‌ها) مرتبط هستند.

مدل‌های یادگیری نظارت‌شده عبارتند از:
درخت‌های تصمیم‌گیری

درخت تصمیم، یک ساختار درختی شبیه نمودار جریان است که مجموعه‌ای از تصمیمات و نتایج بالقوه را مجسم می نماید. این درخت هم برای تصمیم‌گیری و هم برای پیش‌بینی نتایج در یادگیری ماشین استفاده می‌شود. در یک درخت تصمیم، هر گره نشان دهنده یک سوال یا شرط است و هر شاخه نشان دهنده یک نتیجه یا تصمیم ممکن است. گره‌های نهایی، که گره‌های برگ نامیده می‌شوند، نشان دهنده تصمیمات یا نتایج پیش‌بینی شده هستند.

جنگل‌های تصادفی
جنگل تصادفی یک الگوریتم یادگیری ماشین تحت نظارت است که چندین درخت تصمیم را برای پیش‌بینی ترکیب می‌کند. این یک روش گروهی است که هم برای کارهای طبقه‌بندی و هم برای کارهای رگرسیون استفاده می‌شود

ماشین‌های بردار پشتیبان (SVM)
ماشین بردار پشتیبان (SVM) یک الگوریتم یادگیری ماشین تحت نظارت است که برای هر دو کار طبقه‌بندی و رگرسیون استفاده می‌شود. هدف اصلی آن یافتن خط یا ابرصفحه بهینه‌ای است که به بهترین شکل نقاط داده کلاس‌های مختلف را از هم جدا می‌کند و در عین حال حاشیه (فاصله بین ابرصفحه و نزدیکترین نقاط داده) را به حداکثر می‌رساند SVMها به ویژه در فضاهای با ابعاد بالا مؤثر هستند و می‌توانند با استفاده از توابع هسته، داده‌های پیچیده و غیرخطی را مدیریت کنند

شبکه‌های عصبی
شبکه‌های عصبی نوعی مدل یادگیری ماشینی هستند که از ساختار و عملکرد مغز انسان الهام گرفته شده‌اند. آن‌ها برای پردازش داده‌ها، یادگیری الگوها و پیش‌بینی یا تصمیم‌گیری استفاده می‌شوند. این شبکه‌ها از گره‌ها یا نورون‌های به هم پیوسته تشکیل شده‌اند که در لایه‌هایی سازماندهی شده‌اند. شبکه‌های عصبی جزء اصلی یادگیری عمیق، زیرمجموعه‌ای از هوش مصنوعی، هستند

رگرسیون لجستیک

 یک الگوریتم یادگیری ماشین تحت نظارت است که برای مسائل طبقه‌بندی استفاده می‌شود. برخلاف رگرسیون خطی که مقادیر پیوسته را پیش‌بینی می‌کند، این الگوریتم احتمال تعلق یک ورودی به یک کلاس خاص را پیش‌بینی می‌کند. این الگوریتم برای طبقه‌بندی دودویی استفاده می‌شود که در آن خروجی می‌تواند یکی از دو دسته ممکن مانند بله/خیر، درست/غلط یا 0/1
این مدل‌های طبقه‌بندی می‌توانند برای وظایف دودویی یا چند کلاسه استفاده شوند. به عنوان مثال، یک طبقه‌بندی‌کننده می‌تواند پیش‌بینی کند که آیا یک قطعه تجهیزات در یک بازه زمانی خاص بر اساس داده‌های حسگر و سوابق الگوی خرابی تاریخی خراب خواهد شد؟

یادگیری بدون نظارت
با این رویکرد، یک مدل پیش‌بینی‌کننده بر روی داده‌های بدون برچسب آموزش داده می‌شود تا الگوها، ساختارها یا روابط پنهان درون داده‌ها را کشف کند. مدل‌های یادگیری بدون نظارت مانند خوشه‌بندی K میانگین ، مدل‌های ترکیبی گاوسی و رمزگذارهای خودکار، رفتار، روندها یا داده‌های پرت مشکوک را در داده‌های حسگر شناسایی می‌کنند. این تشخیص ناهنجاری با یادگیری ماشینی می‌تواند به شناسایی خرابی‌های احتمالی تجهیزات یا شرایط عملیاتی غیرطبیعی که نیاز به بررسی بیشتر دارند، کمک کند.

تهیه شده توسط شرکت طلیعه صنعت هوشمند