خرابی‌های ناگهانی تجهیزات صنعتی یکی از چالش‌های اساسی در صنایع تولیدی و فرآیندی محسوب می‌شود که پیامدهایی نظیر کاهش بهره‌وری، افزایش هزینه‌های تعمیراتی و توقف خطوط تولید را به همراه دارد. این پژوهش به ارائه یک چارچوب جامع برای پیش‌بینی خرابی تجهیزات صنعتی با تلفیق اینترنت اشیا (IoT) و هوش مصنوعی می‌پردازد. در روش پیشنهادی، سنسورهای متصل به شبکه‌های صنعتی، داده‌های ارتعاش، دما، فشار و جریان را به‌صورت بلادرنگ جمع‌آوری کرده و به سامانه‌های ابری یا لبه ارسال می‌کنند. سپس الگوریتم‌های یادگیری ماشین از جمله جنگل تصادفی، ماشین بردار پشتیبان و شبکه‌های عصبی عمیق بر روی داده‌های تاریخی و لحظه‌ای آموزش دیده و الگوهای هشداردهنده خرابی را شناسایی می‌کنند. نتایج پیاده‌سازی بر روی داده‌های واقعی یک واحد تولیدی نشان می‌دهد که مدل ترکیبی LSTM-CNN پیشنهادی با دقت بیش از ۹۵ درصد قادر به تشخیص علائم اولیه خرابی تا ۷۲ ساعت قبل از وقوع است که نسبت به روش‌های سنتی مبتنی بر بازرسی دوره‌ای، بهبود چشمگیری در کاهش زمان ازکارافتادگی و هزینه‌های نگهداری دارد. این رویکرد، گامی مؤثر در تحقق نگهداری پیش‌بینی‌کننده و صنعت ۴.۰ محسوب می‌شود.

پیش‌بینی خرابی اینترنت اشیا صنعتی یادگیری ماشین شبکه‌های عصبی عمیق نگهداری پیش‌بینی‌کننده