كيفية الاقتباس
الملخص
يقدم هذا العمل دراسة شاملة عن تقييم أداء خوارزميات التعلم الآلي المختلفة للصيانة التنبؤية في سياق مراقبة حالة محرك التيار المتردد. يركز البحث على سيناريوهات واقعية لتقييم قدرات الخوارزميات المختلفة في التنبؤ بكل من حدوث الأعطال ونوع الفشل المحدد في محركات التيار المتردد. يتم استخدام خمس خوارزميات بارزة للتعلم الآلي، وهي Random Forest (RFC)، وSupport Vector Machine (SVM)، وK-Nearest Neighbors (KNN)، والانحدار اللوجستي (LR)، وXGBoost (XGB)، في هذا العمل. يتضمن التقييم تحليلًا مقارنًا لهذه الخوارزميات بناءً على دقتها التنبؤية، مع مجموعات تدريب بأحجام مختلفة. قبل تطوير النموذج، يتم تطبيق تقنيات معالجة مسبقة صارمة للبيانات لضمان صحة افتراضات النموذج وتحسين الأداء. تتضمن مرحلة المعالجة المسبقة إزالة العينات الغامضة، وترميز الأعمدة الفئوية باستخدام ترميز الملصقات، وقياس الأعمدة. ومن المثير للاهتمام، إعادة النظر في تحديد نقاط البيانات التي تبدو غريبة، مما يكشف عن دورها الأساسي في التقاط التباين الطبيعي لمجموعة البيانات وتعزيز مهام التصنيف. لوحظ أن هذه الميزات المحددة هي مساهمات محورية في النماذج التنبؤية. يوضح العمل أنه بالنسبة للتنبؤ بفشل الآلة وتحديد أنواع الفشل، فإن الخوارزميات تظهر أداءً مشابهًا. الفرق الأساسي يكمن في وقت التدريب. تبرز خوارزمية K-Nearest Neighbors (KNN) باستمرار باعتبارها النموذج الأفضل أداءً لكلتا المهمتين، في حين تؤدي آلة Support Vector Machine (SVM) أداءً دون المستوى الأمثل في مهام التنبؤ بالفشل الثنائي، وXGBoost (XGB) في مهام التنبؤ بالفشل متعددة الفئات، بسبب أوقات استجابتهم. في الختام، تؤكد هذه الورقة على أهمية اختيار نماذج التعلم الآلي المناسبة للصيانة التنبؤية، مع الأخذ في الاعتبار المفاضلة بين الدقة ووقت التدريب. توفر النتائج رؤى قيمة للشركات التي تهدف إلى تنفيذ استراتيجيات صيانة تنبؤية تتسم بالكفاءة والفعالية، مع ظهور KNN كخيار مثالي للتطبيق السريع.
المراجع
Pech, M.; Vrchota, J.; Bednář, J. Predictive Maintenance and Intelligent Sensors in Smart Factory: Review. Sensors 2021, 21, 1470. https://doi.org/10.3390/s21041470
Andreas, T.; Judith, P.; Marcel, K.; Gordon, E. Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry. Reliability Engineering & System Safety 2021, 215, 107864. https://doi.org/10.1016/j.ress.2021.107864
Onur, S.; Stephen, A.; John, Y. Condition Monitoring using Machine Learning: A Review of Theory, Applications, and Recent Advances. Expert Systems with Applications 2023, 221, 119738.
https://doi.org/10.1016/j.eswa.2023.119738
[4] Rojek, I.; Jasiulewicz Kaczmarek, M.; Piechowski, M.; Mikołajewski, D. An Artificial Intelligence Approach for Improving Maintenance to Supervise Machine Failures and Support Their Repair. Appl. Sci. 2023, 13, 4971.
https:// doi.org/10.3390/app13084971
Silvestrin, L.P.; Hoogendoorn, M.; Koole, G. A Comparative Study of State-of-the-Art Machine Learning Algorithms for Predictive Maintenance. In Proceedings of the SSCI, Xiamen, China, 6–9 December 2019; IEEE: Piscataway, NJ, USA, 2019; pp. 760–767. https:// doi: 10.1109/SSCI44817.2019.9003044
Ashok, K. P.; Pratik, M.; Pradeep, P. Machine Learning Based Predictive Maintenance Model. Proceedings of the 2nd Indian International Conference on Industrial Engineering and Operations Management, Warangal, Telangana, India, August 2022.
Pan, S.-J.; Tsai, M.-L.; Chen, C.-L.; Lin, P.T.; Lee, H.-Y. Investigation of Machine Learning Methods for Predictive Maintenance of the Ultra-High-Pressure Reactor in a Polyethylene-Vinyl Acetate Production Process. Electronics 2023, 12, 580. https://doi.org/10.3390/ electronics12030580
Chaitali, R. P.; Sanika, K. J.; Asmeeta, L. B.; Ankita P. D.; Mahee P. R. Machine Learning-Based Predictive Maintenance of Industrial Machines. International Journal of Computer Trends and Technology 2023, 71, 3, 50-56. https://doi.org/10.14445/22312803/IJCTT-V71I3P108
Uppal, M.; Gupta, D.; Goyal, N.; Imoize, A.L.; Kumar, A.; Ojo, S.; Pani, S.K.; Kim, Y.; Choi, J. A Real-Time Data Monitoring Framework for Predictive Maintenance Based on the Internet of Things. Complexity 2023, 9991029. https://doi.org/10.1155/2023/9991029
Achouch, M.; Dimitrova, M.; Dhouib, R.; Ibrahim, H.; Adda, M.; Sattarpanah Karganroudi, S.; Ziane, K.; Aminzadeh, A. Predictive Maintenance and Fault Monitoring Enabled by Machine Learning: Experimental Analysis of a TA-48 Multistage Centrifugal Plant Compressor. Appl. Sci. 2023, 13, 1790. https://doi.org/10.3390/app13031790
Qadir Mohammed, salim; A. Hussein, M. Performance Analysis of Different Machine Learning Models for Intrusion Detection Systems. jcoeng 2022, 28, 61-91. https://doi.org/10.31026/j.eng.2022.05.05
Fayez, T. K.; Wijdan, A.; Zahra, G. Random Forest Machine Learning Technique for Automatic Vegetation Detection and Modelling in LiDAR Data. Int J Environ Sci Nat Res. 2021, 28, 2.
https://doi.org/10.19080/IJESNR.2021.28.556234
Susmita R. A Quick Review of Machine Learning Algorithms. International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), Faridabad, India, 2019, 35-39.
https://doi.org/10.1109/COMITCon.2019.8862451
Mohsin, M.A.; Hamad, A.H. Performance evaluation of SDN DDoS attack detection and mitigation based random forest and K-nearest neighbors machine learning algorithms. Revue d'Intelligence Artificielle 2022, 36, 2, 233-240. https://doi.org/10.18280/ria.360207
Jian, F.; Hongbin, W.; Fan Y.; Kuang, Y.; Xiang, L.; Min, Z. A failure prediction method of power distribution network based on PSO and XGBoost. Australian Journal of Electrical and Electronics Engineering 2022, 19, 4, 371-378. https://doi.org/10.1080/1448837X.2022.2072447
Mohammed, N.A.; Abdulateef, O.F.; Hamad, A.H. An IoT and machine learning-based predictive maintenance system for electrical motors. Journal Européen des Systèmes Automatisés 2023, 56, 4, 651-656.
https://doi.org/10.18280/jesa.560414
Jérôme, D.; Gaël, V.; Jean-Baptiste, P.; Preventing dataset shift from breaking machine-learning biomarkers. GigaScience 2021, 10, 9. https://doi.org/10.1093/gigascience/giab055
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
الحقوق الفكرية (c) 2023 مجلة الخوارزمي الهندسية