آمار
| تعداد نشریات | 16 |
| تعداد شماره‌ها | 154 |
| تعداد مقالات | 1,173 |
| تعداد مشاهده مقاله | 4,126,213 |
| تعداد دریافت فایل اصل مقاله | 182,165 |
پیش‌بینی خرابی الکتروموتورها در تاسیسات ساختمانی با استفاده از یادگیری ماشین و داده‌کاوی: مطالعه موردی یک مرکز آموزش نظامی | ||
| دوفصلنامه علمی پژوهش در مهندسی انرژی و نگهداشت دفاعی | ||
| دوره 7، شماره 2 - شماره پیاپی 10، اسفند 1404، صفحه 9-40 اصل مقاله (1.05 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): dmej/dmej.2026.206581 | ||
| نویسندگان | ||
| علی ولایتی1؛ فرشید فرخی‌زاده* 2؛ علی اصغر جریان3 | ||
| 1کارشناسی ارشد، گروه سیستم، دانشکده مهندسی صنایع، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران. | ||
| 2استادیار، گروه مهندسی نگهداری و تعمیرات، دانشکده علوم و مهندسی، دانشگاه افسری و تربیت پاسداری امام حسین(ع)، تهران، ایران. | ||
| 3مدرس، گروه مهندسی نگهداری و تعمیرات، دانشکده علوم و مهندسی دفاعی، دانشگاه افسری و تربیت پاسداری امام حسین (ع)، تهران، ایران. | ||
| چکیده | ||
| مقدمه: در دنیای امروزی، نگهداری پیشگیرانه از تجهیزات ساختمانی به ویژه الکتروموتورها به دلیل نقش حیاتی آنها در سیستم‌های آبرسانی، گرمایش و سرمایش، از اهمیت بالایی برخوردار است. با ظهور فناوری‌های صنعت ۴.۰، استفاده از داده‌کاوی و یادگیری ماشین برای پیش‌بینی خرابی‌ها و بهینه‌سازی نت پیشگیرانه به یک ضرورت تبدیل شده است. هدف: پژوهش حاضر با هدف ارائه یک مدل پیش‌بینانه برای نگهداری پیشگیرانه الکتروموتورها در تاسیسات ساختمانی با استفاده از الگوریتم‌های یادگیری ماشین و داده‌کاوی انجام شده است. روش تحقیق: این پژوهش از نوع کاربردی-توسعه‌ای و با روش آمیخته (کیفی-کمی) انجام شده است. داده‌های مورد استفاده شامل دو بخش اصلی بودند: ۱) داده‌های ثبت‌شده در سامانه ۱۳۷ مرکز آموزشی مورد مطالعه شامل ۶۸۴۸ رکورد تعمیرات، و ۲) داده‌های شبیه‌سازی‌شده یک الکتروموتور شامل متغیرهای عملیاتی مانند دما، سرعت چرخش، گشتاور و میزان سایش. پس از پیش‌پردازش داده‌ها با پایتون، الگوریتم‌های مختلف یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم، SVM و رگرسیون لجستیک ارزیابی شدند. یافته‌ها: الگوریتم جنگل تصادفی با دقت ۹۹.۶٪ در داده‌های آزمایشی بهترین عملکرد را نشان داد. این مدل قادر به پیش‌بینی خرابی‌های الکتروموتور با دقت بالا و شناسایی الگوهای پنهان در داده‌های عملیاتی است. نتایج همچنین نشان داد که با استفاده از این روش می‌توان زمان خرابی‌های غیرمنتظره را کاهش داد، عمر مفید تجهیزات را افزایش داد و هزینه‌های نگهداری را بهینه کرد. نتیجه‌گیری: پژوهش حاضر نشان می‌دهد که تلفیق داده‌کاوی و یادگیری ماشین می‌تواند به صورت مؤثری برای نگهداری پیشگیرانه الکتروموتورها در تاسیسات ساختمانی به کار رود و منجر به بهبود قابلیت اطمینان، ایمنی و بهره‌وری سیستم‌ها شود. | ||
| کلیدواژه‌ها | ||
| داده‌کاوی؛ یادگیری ماشین؛ تجهیزات ساختمان؛ الکتروموتور؛ نت پیشگیرانه؛ پیش‌بینی خرابی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 127 تعداد دریافت فایل اصل مقاله: 60 |
||