پیش‌بینی خرابی الکتروموتورها در تاسیسات ساختمانی با استفاده از یادگیری ماشین و داده‌کاوی: مطالعه موردی یک مرکز آموزش نظامی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد، گروه سیستم، دانشکده مهندسی صنایع، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران.

2 استادیار، گروه مهندسی نگهداری و تعمیرات، دانشکده علوم و مهندسی، دانشگاه افسری و تربیت پاسداری امام حسین(ع)، تهران، ایران.

3 مدرس، گروه مهندسی نگهداری و تعمیرات، دانشکده علوم و مهندسی دفاعی، دانشگاه افسری و تربیت پاسداری امام حسین (ع)، تهران، ایران.

dmej/dmej.2026.206581

چکیده

مقدمه: در دنیای امروزی، نگهداری پیشگیرانه از تجهیزات ساختمانی به ویژه الکتروموتورها به دلیل نقش حیاتی آنها در سیستم‌های آبرسانی، گرمایش و سرمایش، از اهمیت بالایی برخوردار است. با ظهور فناوری‌های صنعت ۴.۰، استفاده از داده‌کاوی و یادگیری ماشین برای پیش‌بینی خرابی‌ها و بهینه‌سازی نت پیشگیرانه به یک ضرورت تبدیل شده است.
هدف: پژوهش حاضر با هدف ارائه یک مدل پیش‌بینانه برای نگهداری پیشگیرانه الکتروموتورها در تاسیسات ساختمانی با استفاده از الگوریتم‌های یادگیری ماشین و داده‌کاوی انجام شده است.
روش تحقیق: این پژوهش از نوع کاربردی-توسعه‌ای و با روش آمیخته (کیفی-کمی) انجام شده است. داده‌های مورد استفاده شامل دو بخش اصلی بودند: ۱) داده‌های ثبت‌شده در سامانه ۱۳۷ مرکز آموزشی مورد مطالعه شامل ۶۸۴۸ رکورد تعمیرات، و ۲) داده‌های شبیه‌سازی‌شده یک الکتروموتور شامل متغیرهای عملیاتی مانند دما، سرعت چرخش، گشتاور و میزان سایش. پس از پیش‌پردازش داده‌ها با پایتون، الگوریتم‌های مختلف یادگیری ماشین شامل جنگل تصادفی، درخت تصمیم، SVM و رگرسیون لجستیک ارزیابی شدند.
یافته‌ها: الگوریتم جنگل تصادفی با دقت ۹۹.۶٪ در داده‌های آزمایشی بهترین عملکرد را نشان داد. این مدل قادر به پیش‌بینی خرابی‌های الکتروموتور با دقت بالا و شناسایی الگوهای پنهان در داده‌های عملیاتی است. نتایج همچنین نشان داد که با استفاده از این روش می‌توان زمان خرابی‌های غیرمنتظره را کاهش داد، عمر مفید تجهیزات را افزایش داد و هزینه‌های نگهداری را بهینه کرد.
نتیجه‌گیری: پژوهش حاضر نشان می‌دهد که تلفیق داده‌کاوی و یادگیری ماشین می‌تواند به صورت مؤثری برای نگهداری پیشگیرانه الکتروموتورها در تاسیسات ساختمانی به کار رود و منجر به بهبود قابلیت اطمینان، ایمنی و بهره‌وری سیستم‌ها شود.

کلیدواژه‌ها

عنوان مقاله [English]

Predicting Failure of Electric Motors in Building Facilities Using Machine Learning and Data Mining: A Case Study of Military Training Center

نویسندگان [English]

  • Ali Velayati 1
  • Farshid Farokhizadeh 2
  • Ali Asghar Jaryan 3
1 Master , Faculty of Industrial Engineering, Khaje Nasir-din Toosi, Tehran, Iran.
2 Assistant Professor, Department of Maintenance Engineering, Faculty of Science and Engineering, Imam Hussein Officers and Guard Training University, Tehran, Iran.
3 Techer, Department of Maintenance Engineering, Faculty of Defense Science and Engineering, Imam Hussein Officers and Guard Training University, Tehran, Iran.
چکیده [English]

Introduction: In today's world, preventive maintenance of building facilities, particularly electric motors, is of paramount importance due to their critical role in water supply, heating, and cooling systems. With the advent of Industry 4.0 technologies, utilizing data mining and machine learning for failure prediction and optimizing preventive maintenance has become a necessity.
Objective: This study aims to develop a predictive model for the preventive maintenance of electric motors in building facilities using machine learning and data mining algorithms.
Methodology: This applied-developmental research employs a mixed-methods approach (qualitative-quantitative). The data consists of two main parts: 1) Records from the maintenance system (137) of  Military Training Center, comprising 6,848 repair records, and 2) Simulated operational data for an electric motor, including variables such as temperature, rotational speed, torque, and tool wear. After preprocessing the data using Python, various machine learning algorithms, including Random Forest, Decision Tree, Support Vector Machine (SVM), and Logistic Regression, were evaluated.
Findings: The Random Forest algorithm demonstrated the best performance with an accuracy of 99.6% on the test data. This model can predict electric motor failures with high accuracy and identify hidden patterns in operational data. The results also indicate that this approach can reduce unexpected downtime, extend equipment lifespan, and optimize maintenance costs.
 Conclusion: This research demonstrates that integrating data mining and machine learning can be effectively applied for the predictive maintenance of electric motors in building facilities, leading to improved system reliability, safety, and operational efficiency.

کلیدواژه‌ها [English]

  • Data Mining
  • Machine Learning
  • Repairs and Preventive Maintenance
  • Maintenance of Building Facilities and Equipment
  • Electromotor
  • Failure Prediction

فایل ها

هم رسانی

ارجاع به این مقاله

آمار