مدل‌سازی پیش‌بینی‌ خرابی و هزینه تعمیر ماشین‌آلات راهداری با استفاده از تحلیل‌های آماری و هوش مصنوعی

مدیریت تعمیر و نگهداری ماشین‌آلات راهداری به عنوان یکی از ارکان کلیدی در حفظ زیرساخت‌های حمل‌ونقل، با چالش‌های متعددی از جمله هزینه‌های بالا و توقف‌های عملیاتی ناشی از خرابی‌های غیرمنتظره روبرو است. این تحقیق با هدف توسعه مدل‌های پیش‌بینی‌کننده مبتنی بر یادگیری ماشین، به بررسی نقش ویژگی‌های تجهیزاتی (مانند سال ساخت، مدل، رنگ و مقدار کارکرد ماشین‌آلات و .....) و عوامل محیطی (شامل طول تونل‌ها، طول بزرگراه‌ها طول مسیر کوهستانی.و .... در یک استان، ، و شرایط آب و هوایی نظیر گرم و خشک، مرطوب، معتدل و همچنین دما و فصل) در پیش‌بینی خرابی‌ها می‌پردازد. با بهره‌گیری از یک مجموعه داده جامع که شامل اطلاعات تعمیراتی (مانند سیستم‌های اصلی و زیر سیستم‌های آسیب‌دیده، مدت زمان تعمیر و هزینه‌های مربوطه ) است، الگوریتم‌های یادگیری ماشین نظیر رگرسیون جنگل تصادفی ، شبکه‌های عصبی و مدل‌های مبتنی بر گرادیان بوستینگ برای پیش‌بینی احتمال خرابی سیستم اصلی، تخمین هزینه و زمان تعمیر ماشین‌آلات آتی به کار گرفته می‌شوند که این امر می‌تواند به بهینه‌سازی برنامه‌ریزی نگهداری پیشگیرانه و کاهش هزینه‌های عملیاتی در بخش راهداری منجر شود. این مطالعه نه تنها بر جنبه‌های نوآورانه ادغام عوامل محیطی در مدل‌سازی تاکید دارد، بلکه پیشنهادهایی برای کاربرد عملی در سیاست‌گذاری‌های کلی سازمان ارائه می‌دهد