نحو اكتشاف الأعطال في المعدات الصناعية من خلال تحليل استهلاك الطاقة: دمج التعلم الآلي والأساليب الإحصائية

أصبح من الضروري التنبؤ بدقة باستهلاك الطاقة للمعدات الصناعية وربط هذه التوقعات بحالة المعدات في التصنيع الحديث. هذه القدرة ضرورية لتطوير استراتيجيات الصيانة التنبؤية من أجل تقليل استهلاك الطاقة وانبعاثات غازات الدفيئة. في هذه الدراسة، نقترح نموذجًا هجينًا يجمع بين الذاكرة طويلة وقصيرة الأمد (LSTM) لتنبؤ استهلاك الطاقة مع خوارزمية اكتشاف نقاط التغيير الإحصائية لتحديد التحولات الهامة في أنماط الاستهلاك. ثم يتم ربط هذه التحولات بحالة صحة المعدات، مما يوفر نظرة شاملة على استهلاك الطاقة ونقاط الفشل المحتملة. في دراسة الحالة لدينا، بدأنا بتقييم نموذج التنبؤ لتأكيد أداء LSTM، مقارنةً معه بعدة نماذج للتعلم الآلي المستخدمة عادةً في الأدبيات، مثل الغابة العشوائية وآلات الدعم الناقل (SVM) ووحدات الذاكرة المتكررة (GRU). بعد تقييم دوال الخسارة المختلفة، حقق نموذج LSTM أعلى دقة للتنبؤ، حيث سجل RMSE قدره 0.07 وMAE قدره 0.0188 وR2 قدره 92.7%. الجزء الثاني من النموذج، الذي يركز على اكتشاف نقاط التغيير في أنماط الاستهلاك، تم تقييمه من خلال اختبار عدة دوال تكلفة مجتمعة مع التقسيم الثنائي وبرمجة ديناميكية. عند تطبيقه على حالة واقعية، تمكّن بنجاح من اكتشاف نقطة تغيير قبل شهرين من فشل المعدات، مما يوفر إمكانية تقليل استهلاك الطاقة بمقدار 27,052 كيلوواط ساعة. لا يوضح هذا الإطار العلاقة بين صحة المعدات وانبعاثات CO2 فحسب، بل يوفر أيضًا رؤى قابلة للتنفيذ حول تقليل الانبعاثات، مما يسهم في الاستدامة الاقتصادية والبيئية.