مقاله انگلیسی بهبود سیستم های تصمیم گیری بر اساس رویکردهای هوش مصنوعی قابل توضیح برای نگهداری و تعمیرات پیشگیرانه

عنوان فارسی:

بهبود سیستم های تصمیم گیری بر اساس رویکردهای هوش مصنوعی قابل توضیح برای نگهداری و تعمیرات پیشگیرانه

عنوان انگلیسی:

Decision-making systems improvement based on explainable artificial intelligence approaches for predictive maintenance

کد محصول: M1855

سال نشر: ۲۰۲۵

نام ناشر (پایگاه داده): الزویر

نام مجله: Engineering Applications of Artificial Intelligence

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: ندارد

مدل مفهومی:  مدل ریاضی دارد

پرسشنامه : ندارد 

تعداد صفحه انگلیسی:  ۱۴ 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:M1855)

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

برای حفظ عملکرد نسل جدید سیستم‌های توربین بادی ساحلی و فراساحلی، باید روشی جدید برای بهبود سیاست نگهداری و تعمیرات ارائه شود. در این راستا، این مقاله رویکردی برای طراحی یک ابزار پشتیبان تصمیم‌گیری ارائه می‌دهد که قابلیت‌های پیش‌بینی را همراه با توضیحات ناهنجاری‌ها برای انجام مؤثر وظایف تعمیر و نگهداری پیشگیرانه مبتنی بر اینترنت اشیا (IoT) ترکیب می‌کند. اساساً، این مقاله رویکردی را پیشنهاد می‌کند که یک مدل تعمیر و نگهداری پیشگیرانه را با یک سیستم تصمیم‌گیری توضیح پذیر ادغام می‌کند. چالش اصلی، تشخیص ناهنجاری‌ها و ارائه توضیحات قابل قبول است که به اپراتورهای انسانی امکان می‌دهد اقدامات لازم را به سرعت مشخص کنند. برای دستیابی به این هدف، رویکرد پیشنهادی مجموعه مینیمالی از ویژگی‌های مرتبط را برای تولید قوانینی که ریشه مشکلات در سیستم فیزیکی را توضیح می‌دهند، شناسایی می‌کند. برآورد می‌شود که برخی ویژگی‌ها مانند توان فعال ژنراتور، زاویه گام پره‌ها و میانگین دمای آب مدار حفاظت ولتاژ در زیرمجموعه‌های ژنراتور، برای نظارت بسیار مهم هستند. علاوه بر این، این رویکرد محاسبه یک مدل تعمیر و نگهداری پیشگیرانه کارآمد را ساده می‌کند. در مقایسه با سایر مدل‌های یادگیری عمیق، مدل شناسایی‌شده تا ۸۰ درصد دقت در تشخیص ناهنجاری و تا ۹۶ درصد دقت در پیش‌بینی عمر مفید باقیمانده سیستم مورد مطالعه دارد. این معیارها و شاخص‌های عملکردی برای بهبود فرآیند تصمیم‌گیری ضروری هستند. علاوه بر این، ابزار پشتیبان تصمیم‌گیری پیشنهادی، شروع زوال و تکامل پویای سیستم را بر اساس دانش متخصصان و داده‌های جمع‌آوری‌شده از طریق فناوری اینترنت اشیا (IoT) و گزارش‌های بازرسی، آشکار می‌کند. بنابراین، رویکرد توسعه‌یافته باید به مدیران تعمیر و نگهداری در اتخاذ تصمیمات دقیق در مورد وظایف بازرسی، تعویض و تعمیر کمک کند. این روش با استفاده از مجموعه داده‌های مزرعه بادی ارائه شده توسط شرکت انرژی‌های پرتغال (Energias De Portugal) نشان داده شده است.

واژگان کلیدی: ابزارهای پشتیبانی تصمیم‌گیری، تشخیص ناهنجاری، توضیح ناهنجاری، زمان‌بندی تعمیر و نگهداری، تعمیر و نگهداری پیشگیرانه، توربین‌های بادی

۱. مقدمه

اهداف انتقال انرژی، کشورها را در سراسر جهان مجبور می‌کند تا در مورد چگونگی تولید و مصرف منابعی مانند برق تجدیدنظر کنند. نصب توربین‌های بادی فراساحلی (یا ساحلی) یکی از راهکارهایی است که بسیاری از کشورها برای تولید برق سازگار با محیط زیست بکار می‌گیرند. به عنوان مثال، در بریتانیا، طبق تجزیه و تحلیلی توسط شرکت ریستاد انرژی (RystadEnergy، ۲۰۲۲)، ظرفیت بادی فراساحلی از ۱۰.۵ گیگاوات در سال ۲۰۲۰ به ۲۷.۵ گیگاوات در سال ۲۰۳۰ افزایش خواهد یافت. در فرانسه نیز روند به همین صورت است: طبق گزارشی که توسط شرکت RTE  فرانسه منتشر شده است، توربین‌های بادی فراساحلی می‌توانند بین ۱۸ گیگاوات و ۴۰ گیگاوات برق تا سال ۲۰۵۰ تولید کنند (با در نظر گرفتن سناریوهای مختلف پیش بینی شده توسط اپراتور سیستم انتقال برق فرانسه) (فرانسه، ۲۰۲۳). پرتغال نیز به سطح بالایی از برق رسانی و سهم بالایی از انرژی‌های تجدیدپذیر دست یافته است که در سال ۲۰۱۹، ۳۰.۶٪ از تقاضای نهایی انرژی ناخالص را پوشش می‌دهد (IRENA-GWEC، ۲۰۲۰). همه اینها به این معنی است که گسترش شبکه‌های برق توسط مزارع بادی فراساحلی (یا ساحلی) در سال‌های اخیر قابل توجه بوده است و برای ۲۵ سال آینده نیز ادامه خواهد داشت، بنابراین بهره برداری و نگهداری از این سیستم‌ها همچنان یک چالش بزرگ برای تضمین تولید بهینه است…

۴. نتیجه‌گیری

در سال‌های اخیر، ابزارهای مبتنی بر یادگیری ماشین برای کاربردهای مختلف صنعتی، از جمله سیستم‌های پیش‌بینی و تشخیصی برای نظارت بر سلامت عملیاتی سیستم‌های فیزیکی توسعه یافته‌اند. در این راستا، این مقاله رویکردی جدید با استفاده از یادگیری ماشین برای طراحی یک ابزار پشتیبان تصمیم‌گیری قابل توضیح ارائه می‌دهد که قابلیت‌های پیش‌بینی (از طریق یادگیری عمیق) را همراه با توضیحات ناهنجاری برای تعمیر و نگهداری پیشگیرانه مبتنی بر اینترنت اشیا ترکیب می‌کند. به طور خاص، این راه حل یک مدل تعمیر و نگهداری پیشگیرانه را با یک سیستم تصمیم‌گیری قابل توضیح با استفاده از نظارت از راه دور ادغام می‌کند و روشی ساده برای پیاده سازی استراتژی‌های تعمیر و نگهداری با در نظر گرفتن ویژگی‌های کلیدی انتخاب شده ارائه می‌دهد…

Abstract  

To maintain the performance of the latest generation of onshore and offshore wind turbine systems, a new methodology must be proposed to enhance the maintenance policy. In this context, this paper introduces an approach to designing a decision support tool that combines predictive capabilities with anomaly explanations for effective IoT predictive maintenance tasks. Essentially, the paper proposes an approach that integrates a predictive maintenance model with an explicative decision-making system. The key challenge is to detect anomalies and provide plausible explanations, enabling human operators to determine the necessary actions swiftly. To achieve this, the proposed approach identifies a minimal set of relevant features required to generate rules that explain the root causes of issues in the physical system. It estimates that certain features, such as the active power generator, blade pitch angle, and the average water temperature of the voltage circuit protection in the generator’s sub-components, are particularly critical to monitor. Additionally, the approach simplifies the computation of an efficient predictive maintenance model. Compared to other deep learning models, the identified model provides up to 80% accuracy in anomaly detection and up to 96% for predicting the remaining useful life of the system under study. These performance metrics and indicators values are essential for enhancing the decision-making process. Moreover, the proposed decision support tool elucidates the onset of degradation and its dynamic evolution based on expert knowledge and data gathered through Internet of Things (IoT) technology and inspection reports. Thus, the developed approach should aid maintenance managers in making accurate decisions regarding inspection, replacement, and repair tasks. The methodology is demonstrated using a wind farm dataset provided by Energias De Portugal.

Keywords: Decision support tools, Anomaly detection, Anomaly explanation, Maintenance scheduling, Predictive maintenance, Wind turbines

۱.Introduction

Energy transition objectives force countries in worldwide to rethink how they produce and consume resources such as electricity. The installation of offshore (resp. onshore) wind turbines is one of the solutions being considered by many countries to enable more environmentally friendly electricity production. To mention just a few examples in the UK, according to an analysis by Rystad Energy (RystadEnergy, 2022), offshore wind capacity is set to rise from 10.5 GW in 2020 to 27.5 GW in 2030. In France, the trend is the same: according to a report published by RTE (Réseau de Transport d’Electricité) France, offshore wind turbines could generate between 18 GW and 40 GW of electricity by 2050 (considering different scenarios envisaged by the French electricity transmission system operator) (France, 2023). Portugal has also achieved a high level of electrification, and high shares of renewable energy, which covered 30.6% of gross final energy demand in 2019 (IRENA-GWEC, 2020). All this to say that the extension of electricity grids by offshore (resp. onshore) wind farms has been considerable in recent years and will continue to be so for the next 25 years, so the operation and maintenance of these systems remain a major challenge to guarantee optimum production…

۴.Conclusions

In recent years, machine learning-based tools have been developed for various industrial applications, including predictive and diagnostic systems for monitoring the operational health of physical systems. In this context, this paper proposes a novel approach using machine learning to design an explainable decision support tool that combines predictive capabilities (via deep learning) with anomaly explanations for IoT-based predictive maintenance. Specifically, the solution integrates a predictive maintenance model with an explainable decisionmaking system using remote monitoring, providing a straightforward methodology for implementing maintenance strategies by observing selected key features…