روش‌های هوش مصنوعی در نگهداری و تعمیرات پیش‌بینانه تجهیزات صنعتی

نگهداری و تعمیرات پیش‌بینانه (predictive maintenance – pdm) به‌عنوان یکی از ارکان اصلی صنعت 4.0، نقش مهمی در افزایش بهره‌وری، کاهش هزینه ‌های عملیاتی و جلوگیری از توقف ناگهانی تجهیزات ایفا می‌کند. هدف اصلی pdm، شناسایی و پیش‌بینی زودهنگام خرابی اجزا پیش از وقوع آن‌هاست تا اقدامات اصلاحی در زمان مناسب انجام شوند. در سال‌های اخیر، پیشرفت فناوری ‌های دیجیتال از جمله اینترنت اشیای صنعتی (iiot)، سیستم ‌های سایبرفیزیکی (cps)، کلان ‌داده و هوش مصنوعی (ai)، باعث تحول اساسی در نحوه‌ی پیاده‌سازی و تصمیم ‌گیری ‌های نگهداری صنعتی شده است. در این مقاله مروری، 14 پژوهش منتشرشده بین سال‌های 2010تا 2023بررسی شده‌اند که در آن‌ها از الگوریتم‌های یادگیری ماشین و یادگیری عمیق برای پیش‌بینی خرابی و بهینه ‌سازی فرآیندهای نگهداری استفاده شده است. روش‌های متداول شامل مدل ‌های آماری و داده ‌محور مانند arima، الگوریتم ‌های نظارت ‌شده همچون درخت تصمیم (dt)، ماشین بردار پشتیبان (svm) و جنگل تصادفی (rf)، و مدل ‌های یادگیری عمیق شامل شبکه ‌های عصبی پیچشی (cnn) و بازگشتی (lstm) هستند. همچنین برخی پژوهش ‌ها به کارگیری مدل ‌های هیبریدی و روش‌های توضیح ‌پذیر (xai) را برای افزایش دقت و اعتمادپذیری پیشنهاد کرده ‌اند. نتایج نشان می‌دهد که ادغام داده‌های چند منبعی، استفاده از iot و مدل ‌های یادگیری عمیق، عملکرد پیش‌بینی را بهبود داده و توقف ‌های ناگهانی را به طور قابل ‌توجهی کاهش داده است. با این حال، چالش ‌هایی نظیر کمبود داده‌های برچسب ‌خورده، دشواری تفسیر مدل ‌ها و هزینه ا‌ی بالای استقرار در محیط ‌های واقعی همچنان پابرجاست. در پایان، مقاله مسیرهای آینده شامل استفاده از یادگیری فدرالی (federated learning)، توسعه مدل ‌های توضیح ‌پذیر و بهره ‌گیری از دوقلوی دیجیتال (digital twin) را برای ارتقای دقت و کارایی سیستم ‌های pdm پیشنهاد می ‌کند.