مدل پیش‌بینی زمان کارکرد باقی‌مانده تا وضعیت بحرانی بر اساس سوابق تحلیل روغن موتور با راهکار داده کاوی

یکی از جنبه‌های مهم نگهداری و تعمیرات مبتنی بر شرایط (cbm) پیش‌بینی عمر مفید باقی‌مانده (rul) بر اساس سوابق گذشته و وضعیت کنونی دستگاه است و تحلیل روغن روانکار یکی از روش‌های cbm است که به علت تماس مستقیم با دستگاه شرایطش بیانگر وضعیت سلامتی دستگاه است. در فرآیند cbm داده‌های زیادی تولید و انباشته می‌شود اما دانش موجود در این داده‌ها به‌طور کامل قابل‌درک نیست و باعث ضایع شدن منابعی گران‌بها می‌شود. برای استخراج اطلاعات و دانش از این داده‌ها به استفاده از روش‌هایی مانند داده‌کاوی نیاز است. در این پژوهش بر اساس تعریف rul بهترین مدل پیش‌بینی زمان کارکرد باقی‌مانده تا وضعیت بحرانی برای یک مدل بلدوزر بر اساس سوابق تحلیل روغن موتور (مجموعه داده ای با 2700 رکورد و 129 ویژگی) با راهکار داده‌کاوی ساخته‌شده است. برای ساخت بهترین مدل، بعد از آماده‌سازی مجموعه داده مناسب با 49 رکورد و چهار ویژگی مدل هایی با روش های رگرسیون و شبکه عصبی ساخته‌شده است. به علت امکان انجام شدن فعالیت تعویض روغن در فواصل نمونه‌گیری‌ها، مدل‌ها با دو روش اعمال مقادیر ویژگی‌های مستقل ساخته‌شده‌اند. بر اساس ارزیابی عملکرد مدل‌ها بهترین مدل با شبکه عصبی و روش دوم اعمال مقادیر ویژگی‌های مستقل که استفاده از مقادیر جدید (تجمعی) دو ویژگی مستقل (fe, cu) و مقدار واقعی (غیر تجمعی) یک ویژگی مستقل (vis40) بوده با خطای پیش بینی 23526.662 -/+ 958559.033 ساخته‌شده است.