کاربرد یادگیری عمیق در پیش بینی خرابی تجهیزات

چکیده مقاله

این تحقیق علمی به بررسی سهم تکنیک های یادگیری عمیق در پیش بینی خرابی تجهیزات و افزایش استفاده از انرژی در صنایع مهم می پردازد با استفاده از روش تحقیق کتابخانه ای، در مجموع ۵۰ نشریه علمی معتبر از پنج سال گذشته مورد بررسی قرار گرفته است هدف اصلی تدوین مدل مبتنی بر الگوریتم های هوش مصنوعی، از جمله شبکه های عصبی کانولوژیکی CNN و شبکه های حافظه کوتاه مدت LSTM ، برای ارزیابی سیستماتیک داده های حسگر و تشخیص الگوهای مربوط به خرابی و مصرف انرژی است نتایج تحقیق نشان می دهد که مدل های ترکیبی با استفاده از یادگیری عمیق می توانند دقت پیش بینی خرابی تجهیزات را به ۸۸ ۵ درصد افزایش دهند و راندمان مصرف انرژی را تا ۹۲ ۳ درصد افزایش دهند این پیشرفت ها منجر به کاهش هزینه های عملیاتی می شود و به تضمین پایداری زیست محیطی کمک می کند علاوه بر این، نتایج نشان می دهد اهمیت حیاتی تشخیص و مدیریت داده های نابهینه برای تقویت بهره وری انرژی افزایش یافته است این تحقیق نشان دهنده پیشرفت قابل توجهی در کاهش خطرات عملیاتی و بهینه سازی مدیریت منابع با ارائه راه حل هایی برای تجزیه و تحلیل داده های زمان واقعی و ادغام فن آوری های پیشرفته در عملیات صنعتی است این دستاوردها صنایع را قادر می سازد تا به اهداف پایداری و بهره وری بالا در استفاده از منابع خود دست یابند

کلیدواژه‌ها

نویسندگان

ابراهیم خالقیان

کارشناسی ارشد، دانشکده مهندسی صنایع و مدیریت، دانشگاه صنعتی شاهرود ایران

سیدمحسن مرتضوی

کارشناسی ارشد، دانشکده علوم انسانی دانشگاه آزاد یزد، دانشگاه آزاد یزد ایران

�القیان، ابراهیم و مرتضوی، سیدمحسن،1403،کاربرد یادگیری عمیق در پیش بینی خرابی تجهیزات،یازدهمین همایش ملی علوم و مهندسی با رویکرد رصد فناوری ها و تجهیزات نوین مهندسی،تهران

ارائه‌شده در

مجموعه مقالات یازدهمین همایش ملی علوم و مهندسی با رویکرد رصد فناوری ها و تجهیزات نوین مهندسی17 بهمن 1403 · تهران