کد مقاله : 1182-RIERCO

کویرتایر

در کارخانه‌های تایرسازی، حجم زیادی از داده‌های غیرساختاریافته به‌صورت گزارش‌های متنی توسط تکنسین‌ها و اپراتورها ثبت می‌شود. این گزارش‌ها شامل شرح خرابی، اقدام‌های تعمیراتی و شرایط محیطی هستند، اما در اغلب موارد فقط به‌صورت آرشیو کاغذی یا فایل‌های غیرقابل‌جستجو باقی می‌مانند. این مقاله چارچوبی مبتنی بر پردازش زبان طبیعی (NLP) برای استخراج دانش پنهان از گزارش‌های نگهداری و ادغام آن با داده‌های حسگری ارائه می‌دهد. در این چارچوب، الگوریتم‌های (Word2Vec, BERT) برای استخراج ویژگی‌های زبانی و مدل‌های طبقه‌بندی متنی (LSTM, Transformer) برای شناسایی الگوهای خرابی به‌کار گرفته می‌شوند. مطالعه موردی روی ۳۲ هزار گزارش تعمیراتی در یک کارخانه تایرسازی نشان داد که سیستم توانست با دقت ۹۱٪ خرابی‌های تکرارشونده را شناسایی کرده و پیش‌بینی زمان تعمیر را تا ۲۵٪ بهبود دهد.در صنایع تایرسازی، نگهداری پیش‌بینانه تجهیزات به‌طور سنتی بر داده‌های حسگری مانند ارتعاش، دما و جریان موتور و بازرسی‌های دوره‌ای متکی بوده است، اما گزارش‌های متنی تکنسین‌ها و اپراتورها که شامل شرح خرابی، اقدامات تعمیراتی، شرایط محیطی و بازه‌های زمانی تعمیر هستند، اغلب به‌صورت آرشیو کاغذی یا فایل‌های غیرقابل جستجو باقی می‌مانند و پتانسیل داده‌ای آن‌ها به‌طور کامل استفاده نمی‌شود.

پردازش زبان طبیعی؛ نگهداری پیش‌بینانه؛ تایرسازی؛ گزارش‌های تعمیراتی؛ هوش مصنوعی

مدیریت بهره‌وری/ رهبری در راستای توسعه فناوری و نوآوری