حسین ترحمی اردکانی مجله بین‌المللی کامپیوتر، فناوری اطلاعات و هوش مصنوعی 2 1 (بهار) 2026 07 05 Predicting Industrial Equipment Failures Using IoT and Artificial Intelligence پیش‌بینی خرابی تجهیزات صنعتی با استفاده از اینترنت اشیا و هوش مصنوعی 29 40 10.22051/jera.2021.31891.2698 FA غلامرضا کارشناسی ارشد مهندسی صنایع،سازمان مدیریت صنعتی واحد تهران، تهران ، ایران 2026 07 05 Sudden failures of industrial equipment are one of the major challenges in manufacturing and process industries, which have consequences such as reduced productivity, increased repair costs, and production line downtime. This research presents a comprehensive framework for predicting industrial equipment failures by integrating the Internet of Things (IoT) and artificial intelligence. In the proposed method, sensors connected to industrial networks collect vibration, temperature, pressure, and flow data in real time and send them to cloud or edge systems. Then, machine learning algorithms, including random forest, support vector machine, and deep neural networks, are trained on historical and real-time data and identify failure warning patterns. The implementation results on real data of a manufacturing unit show that the proposed LSTM-CNN hybrid model is able to detect early signs of failure up to 72 hours before occurrence with an accuracy of more than 95%, which is a significant improvement in reducing downtime and maintenance costs compared to traditional methods based on periodic inspection. This approach is considered an effective step in realizing predictive maintenance and Industry 4.0. 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. /downloadfilepdf/152753