کد مقاله : 1511-RIERCO

کویرتایر

در صنعت تایر، دستگاه‌های پرس پخت نقش حیاتی در تعیین کیفیت نهایی محصول ایفا می‌کنند و هرگونه خرابی در این تجهیزات منجر به افزایش قابل توجه نرخ اسکرپ و توقفات غیربرنامه‌ریزی شده می‌شود. این پژوهش یک چارچوب جامع مبتنی بر یادگیری ماشین برای طبقه‌بندی و پیش‌بینی سه نوع خرابی حیاتی دستگاه پرس پخت ارائه می‌دهد: عیب شیپ، روی تایمر نیفتادن و پایین نیامدن پلاتن. روش پیشنهادی بر پایه مهندسی ویژگی پیشرفته شامل معیارهای تاریخچه خرابی، شاخص‌های روند زمانی، معیارهای ریسک، و پارامترهای آماری استوار است. عملکرد چهار الگوریتم یادگیری ماشین شامل Random Forest، XGBoost، LightGBM و Extra Trees مورد مقایسه قرار گرفت. نتایج تجربی نشان داد که مدل‌های مبتنی بر Ensemble Learning به‌ویژه XGBoost و LightGBM عملکرد برتری دارند. ارزیابی عملکرد مدل با استفاده از معیارهای متنوع شامل Accuracy، Recall، Precision، F1-Score و AUC-ROC انجام شد. تحلیل ماتریس درهم‌ریختگی نشان‌دهنده توانایی قابل قبول مدل در تشخیص انواع خرابی‌ها حتی در شرایط عدم توازن کلاس‌ها است. این رویکرد می‌تواند به‌عنوان یک سیستم هشدار زودهنگام در راستای نگهداری و تعمیرات پیش‌بینانه و برنامه‌ریزی تعمیرات برای کاهش عیوب پیاده‌سازی شود.

پرس پخت؛ یادگیری ماشین؛ پیش‌بینی خطا؛ نگهداری و تعمیرات پیش‌بینانه

فناوری ماشین‌آلات و قطعات تولیدی