DOI: https://doi.org/10.1038/s41598-025-08515-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40603551
تاريخ النشر: 2025-07-02
المؤلف: Wenjun Li وآخرون
الموضوع الرئيسي: أنظمة الكشف عن الأعطال والتحكم
نظرة عامة
تقدم هذه الورقة البحثية تقييمًا مفصلًا لنماذج التعلم العميق للصيانة التنبؤية (PdM) في أنظمة التصنيع الصناعية، باستخدام بيانات المستشعرات. يقترح المؤلفون إطار عمل شامل يتضمن جمع البيانات، والمعالجة المسبقة، واستخراج الميزات، وبناء النموذج، والتقييم، مع استخدام هياكل متنوعة مثل الشبكات العصبية التلافيفية (CNNs)، والشبكات ذات الذاكرة طويلة وقصيرة المدى (LSTM)، والنماذج الهجينة. تشير النتائج التجريبية من ثلاثة مجموعات بيانات صناعية إلى أن نموذج CNN-LSTM الهجين يتفوق على الهياكل المستقلة، محققًا دقة بنسبة 96.1% ودرجة F1 تبلغ 95.2%. تؤكد الدراسة على أهمية كل من البيانات المكانية والزمنية في تعزيز الأداء التنبؤي وتحدد المكونات الرئيسية التي تؤثر على فعالية النموذج من خلال دراسات الإزالة وتحليل أهمية الميزات.
تتناول الورقة أيضًا التحديات العملية في نشر نماذج PdM المعتمدة على التعلم العميق في البيئات الواقعية، بما في ذلك الكفاءة الحاسوبية، والتكامل مع سير العمل الحالي للصيانة، ومشكلات جودة البيانات. تسلط الضوء على الحاجة إلى معالجة بيانات قوية وإمكانية تقنيات مثل التعلم بالنقل والتعلم شبه المراقب للتخفيف من تحديات ندرة البيانات المعلّمة. علاوة على ذلك، يؤكد المؤلفون على أهمية قابلية تفسير النموذج لتعزيز الثقة بين موظفي الصيانة. تسهم النتائج في تقدم ممارسات PdM المعتمدة على البيانات، مقترحة اتجاهات بحثية مستقبلية مثل استراتيجيات التعلم عبر الإنترنت وتكامل نماذج PdM مع أنظمة دعم اتخاذ القرار للصيانة لتعزيز الكفاءة التشغيلية وتقليل التكاليف في البيئات الصناعية.
مقدمة
تناقش مقدمة الورقة البحثية أهمية الصيانة التنبؤية (PdM) في أنظمة التصنيع الصناعية، مع التأكيد على طبيعتها الاستباقية في التنبؤ ومنع فشل المعدات. على عكس استراتيجيات الصيانة التقليدية، تستخدم PdM تقنيات معتمدة على البيانات لمراقبة صحة المعدات، مستفيدة من التقدم في إنترنت الأشياء الصناعي (IIoT) والتعلم الآلي. تشمل الأهداف الرئيسية لـ PdM الكشف المبكر عن الأعطال، وتقدير العمر المتبقي المفيد (RUL)، وتحسين استراتيجيات الصيانة بناءً على الظروف الفعلية للمعدات. فوائد تنفيذ PdM كبيرة، بما في ذلك تقليل التوقف، وانخفاض تكاليف الصيانة، وزيادة السلامة، وتحسين اتخاذ القرار.
تحدد هذه الفقرة أيضًا طرقًا متنوعة مستخدمة في PdM، تتراوح من تقنيات إحصائية تقليدية إلى خوارزميات تعلم آلي متقدمة. ومن الجدير بالذكر أن التعلم العميق قد برز كأداة قوية في هذا المجال، قادرة على تعلم الميزات تلقائيًا من بيانات المستشعرات الخام ومعالجة مجموعات بيانات كبيرة بكفاءة. على الرغم من مزاياها، لا تزال التحديات مثل الحاجة إلى مجموعات بيانات كبيرة معلمة، وقابلية تفسير النموذج، والتكامل مع أنظمة الصيانة الحالية قائمة. تهدف الأبحاث المستمرة إلى معالجة هذه التحديات من خلال النماذج الهجينة، والتعلم بالنقل، وتقدير عدم اليقين، مما يعزز في النهاية فعالية حلول PdM المعتمدة على التعلم العميق في البيئات الصناعية.
طرق
في هذا القسم، يوضح المؤلفون مجموعات البيانات التجريبية المستخدمة لتقييم فعالية نماذج التعلم العميق للصيانة التنبؤية (PdM) في أنظمة التصنيع الصناعية. تأتي مجموعات البيانات من ثلاثة أنظمة متميزة: مجموعة بيانات الآلات الدوارة، مجموعة بيانات آلة الطحن، ومجموعة بيانات النظام الهيدروليكي. تتكون كل مجموعة بيانات من بيانات مستشعرات من مكونات متنوعة، بما في ذلك مستشعرات الاهتزاز، ودرجة الحرارة، والضغط، والتدفق. تُعرف هذه المجموعات المتاحة للجمهور في مجتمع البحث كمعيار لمقارنة خوارزميات PdM. ومن الجدير بالذكر أن مجموعة بيانات الآلات الدوارة تحتوي على 100,000 عينة من بيانات الاهتزاز تم جمعها بتردد عينة يبلغ 10 كيلو هرتز، وتشمل 12 ميزة تلتقط كل من الخصائص الزمنية والترددية، مثل الجذر التربيعي لمتوسط المربعات (RMS)، والكورتوز، وكورتوز الطيف.
كما يحدد القسم إعداد التجربة، موضحًا بيئة الأجهزة وتكوينات المعلمات المستخدمة لتدريب واختبار نماذج التعلم العميق. يضمن هذا النهج الشامل تقييمًا قويًا لأداء النماذج في السياقات الصناعية الواقعية.
مناقشة
الإطار المقترح للصيانة التنبؤية (PdM) في أنظمة التصنيع الصناعية يدمج عدة مكونات حيوية: جمع البيانات والمعالجة المسبقة، واستخراج الميزات واختيارها، وتدريب النموذج وتقييمه، ونشر النموذج وتكامله. يؤكد الإطار على أهمية بيانات المستشعر عالية الجودة، التي يتم جمعها من معدات متنوعة باستخدام مستشعرات مختلفة (مثل الاهتزاز، ودرجة الحرارة، والضغط) ويتم معالجتها مسبقًا لمعالجة مشكلات مثل الضوضاء والقيم المفقودة. تشمل هذه المعالجة المسبقة تنظيف البيانات، والتطبيع، واستخراج كل من الميزات الزمنية والترددية، والتي تعتبر ضرورية لتعزيز أداء النموذج وقابلية تفسيره.
في مرحلة بناء النموذج، يتم استخدام هياكل التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs) والشبكات ذات الذاكرة طويلة وقصيرة المدى (LSTM) لالتقاط الأنماط المعقدة في بيانات المستشعر. تتضمن عملية التدريب تحسين معلمات النموذج باستخدام دوال خسارة مناسبة مصممة لمهام PdM المحددة، مثل الكشف عن الأعطال أو تقدير العمر المتبقي المفيد. يتم تقييم النموذج باستخدام مقاييس مثل الدقة، والدقة، والاسترجاع، ودرجة F1، مما يضمن تقييمًا شاملاً لقدرات النماذج التنبؤية. لا يسهل الإطار تطوير النماذج والتحقق منها بشكل منهجي فحسب، بل يعالج أيضًا التحديات المتعلقة بجودة البيانات، وقابلية تفسير النموذج، وقابلية التوسع، مما يدعم في النهاية اعتماد استراتيجيات الصيانة الاستباقية في البيئات الصناعية.
DOI: https://doi.org/10.1038/s41598-025-08515-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40603551
Publication Date: 2025-07-02
Author(s): Wenjun Li et al.
Primary Topic: Fault Detection and Control Systems
Overview
This research paper presents a detailed evaluation of deep learning models for predictive maintenance (PdM) in industrial manufacturing systems, utilizing sensor data. The authors propose a comprehensive framework that includes data acquisition, preprocessing, feature extraction, model construction, and evaluation, employing various architectures such as Convolutional Neural Networks (CNNs), Long Short-Term Memory (LSTM) networks, and hybrid models. Experimental results from three industrial datasets indicate that the CNN-LSTM hybrid model outperforms standalone architectures, achieving an accuracy of 96.1% and an F1-score of 95.2%. The study emphasizes the importance of both spatial and temporal data in enhancing predictive performance and identifies key components influencing model efficacy through ablation studies and feature importance analysis.
The paper also addresses practical challenges in deploying deep learning-based PdM models in real-world settings, including computational efficiency, integration with existing maintenance workflows, and data quality issues. It highlights the need for robust data preprocessing and the potential of techniques like transfer learning and semi-supervised learning to mitigate the challenges of labeled data scarcity. Furthermore, the authors stress the significance of model interpretability to foster trust among maintenance personnel. The findings contribute to the advancement of data-driven PdM practices, suggesting future research directions such as online learning strategies and the integration of PdM models with maintenance decision support systems to enhance operational efficiency and reduce costs in industrial environments.
Introduction
The introduction of the research paper discusses the significance of predictive maintenance (PdM) in industrial manufacturing systems, emphasizing its proactive nature in predicting and preventing equipment failures. Unlike traditional maintenance strategies, PdM utilizes data-driven techniques to monitor equipment health, leveraging advancements in the Industrial Internet of Things (IIoT) and machine learning. The primary objectives of PdM include early fault detection, estimation of remaining useful life (RUL), and optimization of maintenance strategies based on actual equipment conditions. The benefits of implementing PdM are substantial, including reduced downtime, lower maintenance costs, enhanced safety, and improved decision-making.
The section also outlines various methods employed in PdM, ranging from traditional statistical techniques to advanced machine learning algorithms. Notably, deep learning has emerged as a powerful tool in this domain, capable of automatically learning features from raw sensor data and efficiently processing large datasets. Despite its advantages, challenges such as the need for large labeled datasets, model interpretability, and integration with existing maintenance systems persist. Ongoing research aims to address these challenges through hybrid models, transfer learning, and uncertainty quantification, ultimately enhancing the effectiveness of deep learning-based PdM solutions in industrial settings.
Methods
In this section, the authors detail the experimental datasets employed to assess the efficacy of deep learning models for predictive maintenance (PdM) in industrial manufacturing systems. The datasets originate from three distinct systems: a rotary machinery dataset, a milling machine dataset, and a hydraulic system dataset. Each dataset comprises sensor data from various components, including vibration, temperature, pressure, and flow sensors. These publicly available datasets are recognized in the research community for benchmarking PdM algorithms. Notably, the rotary machinery dataset features 100,000 samples of vibration data collected at a sampling frequency of 10 kHz, encompassing 12 features that capture both time-domain and frequency-domain characteristics, such as root mean square (RMS), kurtosis, and spectral kurtosis.
The section also outlines the experimental setup, detailing the hardware environment and the parameter configurations utilized for training and testing the deep learning models. This comprehensive approach ensures a robust evaluation of the models’ performance in real-world industrial contexts.
Discussion
The proposed framework for predictive maintenance (PdM) in industrial manufacturing systems integrates several critical components: data acquisition and preprocessing, feature extraction and selection, model training and evaluation, and model deployment and integration. The framework emphasizes the importance of high-quality sensor data, which is collected from various equipment using diverse sensors (e.g., vibration, temperature, pressure) and subsequently preprocessed to address issues such as noise and missing values. This preprocessing includes data cleaning, normalization, and the extraction of both time-domain and frequency-domain features, which are essential for enhancing model performance and interpretability.
In the model construction phase, deep learning architectures such as Convolutional Neural Networks (CNNs) and Long Short-Term Memory (LSTM) networks are employed to capture complex patterns in the sensor data. The training process involves optimizing model parameters using appropriate loss functions tailored to specific PdM tasks, such as fault detection or remaining useful life estimation. Model evaluation is conducted using metrics like accuracy, precision, recall, and F1-score, ensuring a comprehensive assessment of the models’ predictive capabilities. The framework not only facilitates the systematic development and validation of deep learning models but also addresses challenges related to data quality, model interpretability, and scalability, ultimately supporting the adoption of proactive maintenance strategies in industrial settings.