توصيفگر ها :
نگهداري پيشگويانه , نگهداري پيشگويانه مبتني بر دوقلويديجيتال , يادگيري ماشين , يادگيريعميق , دوقلويديجيتال , پيشبيني خرابي
چكيده فارسي :
نگهداري پيشگويانه (PdM) به عنوان يكي از مؤثرترين راهكارهاي نگهداري صنعتي، با تكيه بر تحليل داده و پيشبيني رفتار تجهيزات، نقش مهمي در كاهش خرابيهاي ناگهاني و افزايش بهرهوري ايفا ميكند. با اين حال، بسياري از پيادهسازيهاي سنتي PdM با چالشهايي نظير دقت پايين، عدم ادراك بلادرنگ و فقدان معماريهاي هوشمند و مقياسپذير مواجهاند. براي غلبه بر اين چالشها، در اين پژوهش يك چهارچوب نوين تحت عنوان نگهداري پيشگويانه مبتني بر دوقلويديجيتال (PdMDT) معرفي شده است. اين چهارچوب سهلايه، شامل لايه جمعآوري و پيشپردازش داده براي پردازش اوليه و بلادرنگ دادههاي حسگري، لايه دوقلويديجيتال براي شبيهسازي تركيبي دادهمحور و فيزيكمحور تجهيزات و لايه تصميمگيري و مشاوره پيشگويانه براي توصيههاي نگهداري هوشمند است. معماري پيشنهادي نگهداري پيشگويانه مبتني بر دوقلويديجيتال، با بهرهگيري از فناوريهاي پيشرفته همچون محاسبات لبهاي، يادگيري عميق با تفسيرپذيري، شبيهسازي فيزيكي و طراحي ميكروسرويس، گامي فراتر از چهارچوب مرجع PdMDT برداشته است. اين نوآوريها، چهارچوب جديد را به سامانهاي هوشمند، مقياسپذير و قابل توضيح براي پيادهسازي در محيطهاي صنعتي واقعي تبديل كردهاند. براي اعتبارسنجي عملي چهارچوب، يك موتور پمپ آب صنعتي مجهز به 51 حسگر بهعنوان مطالعه موردي انتخاب شد. دادههاي بلادرنگ پس از برچسبگذاري براي پيشبيني خرابي زودهنگام در زمان 10 دقيقهاي، وارد خط لوله تحليلي شدند. در اين مسير، دو مدل اصلي توسعه يافت: مدل CNN-LSTM مجهز به سازوكار توجه كه ويژگيهاي مكاني و زماني را استخراج و با دقت = 99.77٪، 98.29% = F1 score عملكرد بهتري در تشخيص خطا ارائه داد. تحليل نقش مكانيسم توجه نشان داد تنها چند حسگر كليدي، عمدهي تصميمگيري را شكل ميدهند. همچنين، مدل سبك RF-LSTM با زمان آموزش بسيار كوتاه و عملكرد مناسب (F1 score=98.91%)، راهحلي مقرونبهصرفه براي پايانههاي پردازشي محدود ارائه كرد. ادغام اين مدلها در بستر دوقلويديجيتال پيشبيني خرابي را نيز ممكن ساخت. چهارچوب PdMDT ميتواند با كاهش زمان توقف برنامهريزينشده، افزايش عمر مؤلفهها و كاهش هزينههاي نگهداري، گامي مؤثر در مسير استقرار نگهداري هوشمند در خطوط توليد حساس بردارد. معماري CNN-LSTM توجهپذير توسعهدادهشده در اين پژوهش، يك مدل تركيبي است كه نهتنها وابستگيهاي زماني و ويژگيهاي مكاني را از دادههاي حسگر استخراج ميكند، بلكه از سازوكار توجه براي ارائه خروجي تفسيرپذير و قابل اعتماد بهره ميگيرد. اين معماري، بهويژه در سناريوهاي صنعتي كه دادهها پيوسته، پرنويز و وابسته به زمان هستند، عملكرد قابلقبولي از خود نشان داده و كاربردهاي واقعي فراواني دارد.
چكيده انگليسي :
Predictive maintenance (PdM) has emerged as an effective strategy in industrial settings, relying on data analysis to reduce unexpected failures and improve efficiency. However, traditional PdM implementations often face challenges such as low accuracy, lack of real-time insight, and limited scalability. To address these issues, this research introduces a Digital Twin-Based Predictive Maintenance (PdMDT) framework. The framework follows a layered structure: data acquisition and preprocessing for real-time handling, a digital twin layer that integrates data-driven and physics-based simulations, and a decision-making layer that provides intelligent maintenance recommendations. The architecture is deployed with microservices, Docker, and Kubernetes, while federated learning ensures data security and privacy.For validation, an industrial water pump engine with 51 sensors was selected as a case study. Real-time data were labeled for early failure prediction within a 10-minute window and analyzed through two predictive models. The first, a CNN-LSTM model enhanced with attention, achieved 99.91% accuracy, 99.26% F1-score, and 99.97% AUC, with attention analysis highlighting a few key sensors as critical predictors. The second, a lightweight RF-LSTM model, was designed for resource-limited environments and achieved an F1-score of 98.69%, making it suitable for edge devices.By integrating both models, the PdMDT framework enabled accurate failure prediction, anomaly detection, root cause analysis, and sensor network optimization. The results demonstrated significant improvements in reducing downtime, extending component life, and lowering maintenance costs. Overall, PdMDT presents a scalable and interpretable solution for real-world industrial deployment.
