نهج متكامل: نموذج هجين للتعلم الآلي لتصنيف التوقفات غير المجدولة في خط سحق التعدين باستخدام تحليل المكونات الرئيسية والشبكات العصبية الاصطناعية

تطبق هذه المقالة نموذجًا هجينًا للتعلم الآلي (ML) لتصنيف أحداث التوقف في معدات سحق النحاس، وبشكل أكثر تحديدًا، حزام النقل. يجمع النموذج بين الشبكات العصبية الاصطناعية (ANNs) وآلات الدعم الاتجاهي (SVMs) مع تحليل المكونات الرئيسية (PCA) لتحديد نوع حدث التوقف عند حدوثها في قطاع صناعي يعتبر مهمًا للاقتصاد التشيلي. تتناول هذه الدراسة الحاجة الحرجة لتحسين إدارة الصيانة في صناعة التعدين، مع تسليط الضوء على الأهمية التكنولوجية والدافع لاستخدام تقنيات التعلم الآلي المتقدمة. تركز هذه الدراسة على دمج وتنفيذ ثلاثة نماذج للتعلم الآلي تم تدريبها باستخدام بيانات تاريخية مكونة من معلومات من مستشعرات مختلفة، حقيقية وافتراضية، بالإضافة إلى تقارير الصيانة التي تبلغ عن الظروف التشغيلية وخصائص فشل المعدات. الهدف الرئيسي لهذه الدراسة هو تحسين الكفاءة عند التعرف على طبيعة التوقف، مما يشكل أساسًا لتطوير نظام موثوق لتوقع الفشل. تشير النتائج إلى أن هذا النهج يزيد بشكل كبير من موثوقية المعلومات، مع معالجة التحديات المستمرة في إدارة البيانات داخل مجال الصيانة. مع دقة تصنيف تبلغ 96.2% واسترجاع قدره 96.3%، يؤكد النموذج ويؤتمت تصنيف أحداث التوقف، مما يقلل بشكل كبير من الاعتماد على التفاعلات بين الأقسام. تلغي هذه التطورات الحاجة للاعتماد على قواعد البيانات الخارجية، التي كانت عرضة مسبقًا للأخطاء، أو فقدان بيانات حيوية، أو احتواء معلومات قديمة. من خلال تنفيذ هذه المنهجية، يتم تأسيس أساس قوي وموثوق لتطوير نموذج لتوقع الفشل، مما يعزز كلا من الكفاءة والموثوقية في عملية الصيانة. إنتاج تطبيق التعلم الآلي في هذا السياق نتائج إيجابية بشكل واضح في تصنيف أحداث التوقف، مما يبرز تأثيره الكبير على العمليات الصناعية.