مقاله انگلیسی یک مدل هوش مصنوعی قابل توضیح برای نگهداری و تعمیرات پیشگویانه و بهینه‌سازی قطعات یدکی

سلام دوست من ، توی این پست براتون یه مقاله انگلیسی رایگان جدید که در دسته مقالات بازاریابی هست، منتشر کردیم. این مقاله یه مقاله ISI و علمی پژوهشی هست که توی پایگاه  الزویر  در سال ۲۰۲۴ منتشر شده. فایل انگلیسی ۹ صفحه PDF هست بخش هایی از مقاله انگلیسی ترجمه شده که قبل از سفارش می تونید کیفیت ترجمه رو بررسی کنید. برای سفارش ترجمه کامل مقاله روی گزینه ثبت سفارش ترجمه کلیک کنید بعد از ثبت سفارش پیش فاکتور از طریق ایمیل و پیامک خدمتتون ارسال میشه. اگر سوالی بود می تونید زیر این پست کامنت بزارید سریع جوابتونو میدم.

عنوان کامل فارسی:

یک مدل هوش مصنوعی قابل توضیح برای نگهداری و تعمیرات پیشگویانه و بهینه‌سازی قطعات یدکی

عنوان کامل انگلیسی:

An explainable artificial intelligence model for predictive maintenance and spare parts optimization

کد محصول: M1736

سال نشر: ۲۰۲۴

نام ناشر (پایگاه داده): الزویر

نام مجله: Supply Chain Analytics

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی:  ۹ صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M1736)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده فارسی

استراتژی های نگهداری و تعمیرات برای سیستم های صنعتی و تولیدی حائز اهمیت هستند. این مطالعه یک استراتژی نگهداری و تعمیرات پیشگویانه را در نظر می گیرد و بر استفاده از تجزیه و تحلیل و علم داده تأکید دارد. ما یک روش هوش مصنوعی قابل توضیح (XAI) را برای نگهداری و تعمیرات پیشگویانه پیشنهاد می‌کنیم. روش پیشنهادی از چرخه پروژه یادگیری ماشین و کتابخانه‌های پایتون برای تفسیر نتایج با استفاده از روش توضیحات مدل قابل تفسیر محلی (LIME) استفاده می‌کند. ما همچنین یک مفهوم اولیه از مدیریت قطعات یدکی را معرفی می‌کنیم، بینش‌هایی را از نتایج نگهداری و تعمیرات پیشگویانه ارائه کرده و توضیحاتی را برای تصمیم‌گیرندگان ارائه می‌کنیم تا درک آن‌ها از عوامل تأثیرگذار بر نگهداری و تعمیرات پیشگویانه را افزایش دهیم. این مطالعه نشان می‌دهد که استفاده از مدل‌های یادگیری ماشین در نگهداری و تعمیرات پیشگویانه بسیار سودمند است. با این حال، نتایج باینری این مدل‌ها می‌تواند توسط تصمیم‌گیرندگان به طور اشتباه درک شود. توضیحات مفصل ارائه شده به تصمیم گیرندگان، مستقیماً بر تصمیمات تعمیر و نگهداری تأثیر می گذارد و مدیریت قطعات یدکی را بهبود می بخشد.

کلمات کلیدی: هوش مصنوعی قابل توضیح، نگهداری و تعمیرات پیشگویانه، مدیریت قطعات یدکی، یادگیری ماشین، نگهداری و تعمیرات انسان محور

۱.مقدمه

با تکامل فناوری و پیشرفت صنعتی، تحول اساسی در مفهوم نگهداری و تعمیرات رخ داده است [۱-۳]. با افزایش سطح فناوری، هر گونه نقص یا خرابی در ماشین آلات به احتمال زیاد منجر به مشکلات اساسی می شود [۴]. در نتیجه، شرکت‌ها روش‌های متنوعی را برای به حداقل رساندن زیان‌های ناشی از استراتژی‌های اشتباه بررسی می‌کنند [۵].

نگهداری و تعمیرات اساساً به فرآیند حصول اطمینان از اینکه همه سیستم‌ها، ماشین‌ها، تجهیزات یا وسایل نقلیه در یک چارچوب سازمانی با حداکثر کارایی عمل می‌کنند و سیستم را پایدار می‌کنند،اطلاق می شود. هر گونه خرابی در نگهداری و تعمیرات خطرات قابل توجهی را به همراه دارد که باعث خسارات مالی ،جانی، کاهش کیفیت محصول و افزایش هزینه های عملیاتی می شود. کاهش بهره وری و کارایی و اختلال حتی در کوچکترین بخشی از زنجیره تامین می تواند تاثیر منفی بر کل زنجیره داشته باشد…

۵.جمع بندی

این مطالعه شامل یک مرور ادبیات جامع برای ارائه بینش در مورد هوش مصنوعی قابل توضیح (XAI) موجود و مطالعات نگهداری و تعمیرات پیشگویانه است. همچنین  فرآیند تحقیق شامل استفاده از یادگیری ماشین و تکنیک‌های XAI با هدف افزایش قابلیت توضیح مدل و ایجاد یک چارچوب اساسی برای مدیریت قطعات یدکی می باشد…

Abstract  

Maintenance strategies are vital for industrial and manufacturing systems. This study considers a proactive maintenance strategy and emphasizes using analytics and data science. We propose an Explainable Artificial Intelligence (XAI) methodology for predictive maintenance. The proposed method utilizes a machine learning project cycle and Python libraries to interpret the results using the Local Interpretable Model-agnostic Explanations (LIME) method. We also introduce an early concept of spare parts management, presenting insights from predictive maintenance outcomes and providing explanations for decision-makers to enhance their understanding of the influential factors behind predictions. This study demonstrates that utilizing machine learning models in predictive maintenance is highly beneficial; however, the binary outcomes of these models can be misunderstood by decision-makers. Detailed explanations provided to decision-makers will directly impact maintenance decisions and improve spare part management.

Keywords: Explainable Artificial Intelligence, Predictive Maintenance, Spare Parts Management, Machine Learning, Human-centric Maintenance

۱. Introduction

With the evolution of technology and industrial progress, a substantial transformation has transpired in the concept of maintenance [1–۳]. As the level of technology used increases, any defect or malfunction in machines has become more likely to lead to crucial problems [4]. Consequently, companies explore diverse methodologies in the pursuit of minimizing the losses caused by wrong strategies [5]. Maintenance is fundamentally the process of ensuring that all systems, machines, equipment, or vehicles in an organizational framework operate at maximum performance and make it sustainable. Any failure in the maintenance poses a significant risk, engendering critical financial losses, diminishing product quality, and escalating operational expenditures. Productivity and efficiency decrease and disruption even in the slightest part of the supply chain can have a negative impact on the entire chain…

۵.Conclusions

This study involves a comprehensive literature review to present insights into existing Explainable Artificial Intelligence (XAI) and predictive maintenance studies. The research process also includes the application of machine learning and XAI techniques, aiming to enhance model explainability and establish a foundational framework for Spare Parts Management…