ويمكن أن يؤدي تحديد حالات الفشل في المعدات في مجال التصنيع إلى خفض تكاليف التعطل والصيانة، حيث أن الإشراف على التعلم، والنهج القائم على التعلم الآلي، واستخدام البيانات التاريخية لتدريب النماذج التي تُتوقع حدوث حالات الفشل قبل حدوثها، وتستكشف هذه الدراسة كيفية تطبيق التعلم المشرف عليه لتحسين موثوقية المعدات.

جمع البيانات وإعدادها

وقد جمعت البيانات من أجهزة الاستشعار التي تم تركيبها على معدات التصنيع، وسجلت هذه أجهزة الاستشعار بارامترات مثل درجة الحرارة، والاهتزاز، والضغط، والدورات التشغيلية، ووصفت البيانات بأنها تبين ما إذا كان الفشل قد حدث في غضون إطار زمني محدد، وشمل تجهيز البيانات قبل التنظيف والتطبيع واستخراج السمات لإعدادها للتدريب النموذجي.

الاختيار النموذجي والتدريب

تم تقييم عدة خوارزميات للتعلم تحت إشراف، بما في ذلك أشجار القرار والغابات العشوائية وآلات الدعم، وتم اختيار نموذج الغابات العشوائي لدقته وقوته، وتم تدريب النموذج باستخدام 80 في المائة من مجموعة البيانات، مع الاحتفاظ بالـ 20 في المائة المتبقية للاختبار، وكفل التكافل مدى تعميم النموذج.

النتائج والتنفيذ

وقد حقق النموذج التدريبي دقة قدرها 92 في المائة في التنبؤ بالإخفاقات، ونجح في تحديد علامات الإنذار المبكر، مما سمح لأفرقة الصيانة بالتدخل بصورة استباقية، وشمل التنفيذ إدماج النموذج في نظام الرصد القائم، وتوفير التنبؤات والتنبيهات في الوقت الحقيقي.

مداخل رئيسية

  • وتعد بيانات الاستشعار العالية الجودة أساسية للتنبؤات الدقيقة.
  • ويمكن لنماذج التعلم المشرفة أن تتوقّع بفعالية حالات الفشل في المعدات.
  • ويساعد الكشف المبكر على خفض تكاليف التعطل والصيانة.
  • ويحسن الرصد المستمر للنموذج دقة التنبؤ بمرور الوقت.