تا حالا شده دستگاه خط تولیدت خراب شه و ندونی سریع‌ترین و بهترین روش تعمیرش چیه؟ خب توی دنیای امروز که تولید و صنعت اینقدر رقابتی شده، هر دقیقه خرابی دستگاه یعنی ضرر! این مقاله قراره خیلی خودمونی بهت بگه چجوری با ترکیب داده‌های واقعی خرابی دستگاه‌ها و یه روشی به اسم FMEA (که یعنی Failure Mode and Effects Analysis، یعنی تحلیل حالت و اثرات خرابی‌ها)، میشه با کمک هوش مصنوعی بهترین روش تعمیر رو به تیم‌های تعمیراتی پیشنهاد داد.
یه کم توضیح درباره FMEA بدم: این متود پروژه‌ها رو موشکافی می‌کنه تا بفهمه هریک از اجزای دستگاه اگه خراب شه چه تاثیری می‌ذاره. یعنی یک نقشه راهه برای پیدا کردن نقطه‌های آسیب‌پذیر.
توی تحقیق، اومدن از یه فریم‌ورک (چارچوب) به اسم Design Science Research استفاده کردن. کلیت این رویکرد اینه که سعی می‌کنه برای مشکلات عملی، یه نمونه یا ابزار (مثلاً مدل هوش مصنوعی) بسازه و همون ابزار رو ارزیابی کنه که واقعاً کمک می‌کنه یا نه.
اما موضوع فقط همین نیست! واسه اینکه مطمئن باشن این مدل‌ها همه چیزشون درسته، دو تا متد معروف توی علم داده (Data Science) هم قاطیش کردن: یکی CRISP-DM و یکی PDCA. اگه بخوام راحت بگم، این دوتا مثل تقویم و دفتر کار روزانه کارشناس علم داده‌ان تا مرحله به مرحله مطمئن شن کار درست پیش میره.
حالا اصل ماجرا: مدل‌ها چطوری عمل می‌کنن؟ داده‌های ورودی شون ۱۰ تا پارامتر مختلف و زمان‌دار از خود دستگاه‌هاست (یعنی از نوع سری زمانی، مثلاً دما، لرزش، فشار و…). این داده‌ها رو به مدل‌هایی دادن که وظیفه‌شون اینه بهترین «عملیات تعمیر» رو پیش‌بینی کنن. یعنی گفتن: “این دستگاه اینجوری داره رفتار می‌کنه، به نظرت نیاز به چه تعمیر یا تعویضی داره؟”. این خودش یک مسئله طبقه‌بندی (Classification Problem) حساب میشه.
دو تا راه برای ساخت مدل امتحان کردن: اولی این بود که داده‌های سری زمانی رو با هم ترکیب و یکی کردن، بعد دادن به مدل‌هایی مثل Multi-Layer Perceptron (MLP: شبکه عصبی چندلایه)، Convolutional Neural Networks (CNN: شبکه عصبی کانولوشنی که بیشتر با عکس کار می‌کنه ولی برای داده‌های دیگه هم کاربرد داره) و Fully Convolutional Networks (FCN: یعنی شبکه‌های کاملاً کانولوشنی).
راه دوم این بود که همه سری زمانی‌ها رو به صورت سه‌بعدی نگه دارن (یعنی هر پارامتر برای خودش یه ردیف اطلاعات تو زمان نگه داره) و اجازه بدن مدل‌های پیچیده‌تر مثل Multi-Head CNN (که درواقع چند تا شبکه CNN با هم کار می‌کنن) علاوه بر MLP و CNN و FCN اجرا شن.
خلاصه آخرای کار اومدن کارایی هرکدوم از این مدل‌ها رو باهم مقایسه کردن تا ببینن کدوم قشنگ‌تر می‌تونه عملیات تعمیر دستگاه رو پیش‌بینی کنه. جالب اینجاست که نوع پردازش داده‌های زمانی (سری‌های زمانی) و نوع معماری مدل، تاثیر جدی روی دقت پیش‌بینی داشته؛ یعنی مثلاً وقتی داده‌ها رو سه‌بعدی نگه داشتن، مدل‌های پیچیده‌تر بهتر جواب دادن.
در کل، مهم‌ترین نتیجه‌ای که گرفتن اینه که ترکیب داده‌های تعمیرات قبلی دستگاه‌ها با تحلیل FMEA و مدل‌های هوش مصنوعی می‌تونه کمک بزرگ و مالتی‌مدیا (!) به مهندسای تعمیر و نگهداری بده تا هم سریع‌تر عیب‌یابی کنن، هم تصمیم بگیرن چجوری تعمیر کنن و کلی از زمان و هزینه صرفه‌جویی کنن. این همون چیزی‌یه که بهش می‌گن “نگهداری پیشگیرانه پیشرفته” یا Prescriptive Maintenance (یعنی تعمیرات تجویزی که سیستم خودش راه حل می‌ده).
در نهایت، این مدل‌ها می‌تونن واقعاً تحولی ایجاد کنن که دیگه کسی سر تعمیر دستگاه توی صنعت گیج نشه و هر بار راه بهینه جلوی روشون باشه!
منبع: +
