چکیده مقاله
در صنعت پمپاژ و انتقال سیالات، خرابی ناگهانی تجهیزات دوار می تواند پیامدهای اقتصادی و عملیاتی قابل توجهی به همراه داشته باشد توسعه سامانه های هوشمند نگهداری پیش بینانه، امکان شناسایی زودهنگام الگوهای خرابی را فراهم کرده است؛ با این حال، بسیاری از مدل های یادگیری ماشین به دلیل ماهیت «جعبه سیاه» خود، فاقد شفافیت لازم برای تصمیم گیرندگان صنعتی هستند این پژوهش با هدف افزایش تفسیرپذیری و اعتماد در تصمیمات نگهداری، یک چارچوب هوش مصنوعی تبیین پذیر XAI برای پیش بینی خرابی پمپ ها و بهینه سازی قطعات یدکی ارائه می کند در گام نخست، داده های عملیاتی پمپ ها شامل ارتعاش، دما، فشار و سرعت چرخش جمع آوری و با استفاده از الگوریتم های یادگیری ماشین، به ویژه درخت تصادفی مدل سازی شدند سپس به کمک روش LIME، سهم هر ویژگی در تصمیم مدل مشخص و تفسیر انسانی از دلایل پیش بینی فراهم شد نتایج نشان داد که دمای یاتاقان یا بلبرینگ ها، دامنه ارتعاش و نوسان فشار، بیشترین تاثیر را در بروز خرابی ها دارند ترکیب خروجی مدل پیش بین با برنامه ریزی قطعات یدکی منجر به کاهش ۱۲٪ در سطح کل موجودی و افزایش ۱۵٪ در قابلیت دسترسی تجهیزات شد بدین ترتیب، چارچوب پیشنهادی به عنوان الگویی کارآمد برای یکپارچه سازی نگهداری پیش بینانه و مدیریت موجودی در تجهیزات پمپاژ معرفی می گردد یافته ها همچنین نشان می دهد که افزودن لایه تبیین پذیری به مدل های هوش مصنوعی، اعتماد مهندسان را افزایش داده و انتقال دانش از مدل به تصمیم گیرندگان را تسهیل می کند
کلیدواژهها
نویسندگان
شیوه ارجاع
�ئیس زاده، معصومه و فیلی زاده، محمد رضا و مظفری، محمدرضا و گرامی، جواد،1404،مدل هوش مصنوعی قابل درک برای نگهداری پیش بینانه و مدیریت بهینه موجودی یدکی قطعات پمپ ها،هفدهمین کنفرانس ملی مهندسی نگهداشت و مدیریت دارایی های فیزیکی با رویکرد تحول دیجیتال،تهران
ارائهشده در
مجموعه مقالات هفدهمین کنفرانس ملی مهندسی نگهداشت و مدیریت دارایی های فیزیکی با رویکرد تحول دیجیتال27 آبان 1404 · تهران