تحسين الصيانة التنبؤية لآلات التفريز باستخدام هندسة الميزات ونماذج تعلّم الآلة الهجينة

الملخص

يركّز هذا البحث على تطوير نموذج صيانة تنبؤية يعتمد على تقنيات تعلّم الآلة بهدف تحسين موثوقية وكفاءة آلات التفريز في البيئات الصناعية الحديثة، تعتمد المنهجية على تحليل بيانات تشغيلية معيارية من قاعدة AI4I2020، ومعالجة التحديات المرتبطة بالصيانة التقليدية مثل التوقفات المفاجئة وارتفاع تكاليف التشغيل. يتضمن النموذج المقترح مراحل تنظيف البيانات واستخراج ميزات مشتقة تعبّر عن السلوك التشغيلي للآلة، ثم تدريب نماذج تعلم الآلة مثل Random Forest وXGBoost وGradient Boosting، إضافة إلى تصميم شبكة عصبونية مخصّصة للتعامل مع الأعطال النادرة.

تُظهر النتائج أن استخدام الميزات المشتقة حسّن أداء النماذج بشكل ملحوظ، خصوصاً في مؤشرات Recall وF1-Score، مقارنة بالاعتماد على الميزات الخام فقط، كما حققت النماذج الشجرية التجميعية أداءً قوياً في تصنيف الأعطال الشائعة، بينما تطلّب اكتشاف الأعطال النادرة مثل TWF استخدام تقنيات معالجة عدم التوازن مما رفع قدرة النموذج على التعرّف على هذه الحالات رغم محدودية عيناتها، وتؤكد الدراسة أن دمج هندسة الميزات مع نماذج هجينة مخصّصة للفئات النادرة يوفّر إطاراً فعّالاً لبناء نظام صيانة تنبؤية قابل للتطبيق الصناعي.

كلمات مفتاحية: الصيانة التنبؤية، تعلّم الآلة، آلات التفريز، ميزات مشتقة، AI4I 2020.