نگهداری پیش‌بینانه با یادگیری ماشین در سیستم‌های انرژی

از نگهداری واکنشی تا پیش‌بینانه

در نگهداری واکنشی تجهیز پس از خرابی تعمیر می‌شود؛ در نگهداری دوره‌ای بر اساس زمان؛ و در نگهداری پیش‌بینانه بر اساس وضعیت واقعی ماشین. یادگیری ماشین با تحلیل ارتعاش، دما، جریان و فشار، تغییرات ریز را مدت‌ها پیش از خرابی تشخیص می‌دهد.

جریان کار ۵ مرحله‌ای

1. جمع‌آوری داده: سنسورها و PLC؛ نرخ نمونه‌برداری متناسب با پدیده (ارتعاش کیلوهرتز، دما چند ثانیه).
2. پیش‌پردازش: حذف نویز و داده‌ی گمشده، همگام‌سازی زمانی و نرمال‌سازی بر اساس شرایط کاری.
3. استخراج ویژگی: RMS، کورتوسیس، طیف فرکانسی، روند و ویژگی‌های مهندسی.
4. مدل‌سازی: تشخیص ناهنجاری یا پیش‌بینی عمر باقی‌مانده (RUL).
5. بهره‌برداری: هشدار، داشبورد و بازخورد از تیم نگهداری برای بهبود مدل.

انتخاب الگوریتم

خطاهای رایج

• نبود برچسب خرابی: خرابی‌ها نادرند؛ از روش‌های بدون ناظر شروع کنید.
• تغییر شرایط کاری: بار و دمای محیط را وارد مدل کنید وگرنه هشدار کاذب زیاد می‌شود.
• کیفیت سنسور: مدل خوب با سنسور بد نتیجه‌ی بد می‌دهد.
• نبود بازخورد: بدون ثبت نتیجه‌ی بازرسی‌ها، مدل بهبود نمی‌یابد.

پیشنهاد
با یک تجهیز حیاتی و ۳ تا ۵ سنسور شروع کنید، آستانه‌ی ساده را مبنا قرار دهید و بعد مدل را اضافه کنید؛ نتیجه‌ی ملموس سریع‌تر از پروژه‌ی بزرگ گیر می‌آید.