Performance Analysis of Different Machine Learning Algorithms for Predictive Maintenance

Abstract

يقدم هذا العمل دراسة شاملة عن تقييم أداء خوارزميات التعلم الآلي المختلفة للصيانة التنبؤية في سياق مراقبة حالة محرك التيار المتردد. يركز البحث على سيناريوهات واقعية لتقييم قدرات الخوارزميات المختلفة في التنبؤ بكل من حدوث الأعطال ونوع الفشل المحدد في محركات التيار المتردد. يتم استخدام خمس خوارزميات بارزة للتعلم الآلي، وهي Random Forest (RFC)، وSupport Vector Machine (SVM)، وK-Nearest Neighbors (KNN)، والانحدار اللوجستي (LR)، وXGBoost (XGB)، في هذا العمل. يتضمن التقييم تحليلًا مقارنًا لهذه الخوارزميات بناءً على دقتها التنبؤية، مع مجموعات تدريب بأحجام مختلفة. قبل تطوير النموذج، يتم تطبيق تقنيات معالجة مسبقة صارمة للبيانات لضمان صحة افتراضات النموذج وتحسين الأداء. تتضمن مرحلة المعالجة المسبقة إزالة العينات الغامضة، وترميز الأعمدة الفئوية باستخدام ترميز الملصقات، وقياس الأعمدة. ومن المثير للاهتمام، إعادة النظر في تحديد نقاط البيانات التي تبدو غريبة، مما يكشف عن دورها الأساسي في التقاط التباين الطبيعي لمجموعة البيانات وتعزيز مهام التصنيف. لوحظ أن هذه الميزات المحددة هي مساهمات محورية في النماذج التنبؤية. يوضح العمل أنه بالنسبة للتنبؤ بفشل الآلة وتحديد أنواع الفشل، فإن الخوارزميات تظهر أداءً مشابهًا. الفرق الأساسي يكمن في وقت التدريب. تبرز خوارزمية K-Nearest Neighbors (KNN) باستمرار باعتبارها النموذج الأفضل أداءً لكلتا المهمتين، في حين تؤدي آلة Support Vector Machine (SVM) أداءً دون المستوى الأمثل في مهام التنبؤ بالفشل الثنائي، وXGBoost (XGB) في مهام التنبؤ بالفشل متعددة الفئات، بسبب أوقات استجابتهم. في الختام، تؤكد هذه الورقة على أهمية اختيار نماذج التعلم الآلي المناسبة للصيانة التنبؤية، مع الأخذ في الاعتبار المفاضلة بين الدقة ووقت التدريب. توفر النتائج رؤى قيمة للشركات التي تهدف إلى تنفيذ استراتيجيات صيانة تنبؤية تتسم بالكفاءة والفعالية، مع ظهور KNN كخيار مثالي للتطبيق السريع.