نوقشت رسالة الماجستير للطالبة (وسن محمود احمد) من قسم هندسة التصنيع المؤتمت في قاعة مناقشات الدراسات العليا في الكلية يوم الاربعاء الموافق ٢٠٢٢/١٠/١٩ وكانت اللجنة برئاسة (ا. د. لمياء محمد داود) التدريسية من الجامعة التكنولوجية وعضوية كل من (أ. م. د. احمد زيدان محمد) رئيس قسم هندسة التصنيع المؤتمت /كلية الهندسة الخوارزمي و(أ. م. د. بتول عطية خلف) من كلية الادارة والاقتصاد جامعة بغداد واشراف كل من (أ. د. اسامة فاضل عبد اللطيف) من كلية الهندسة الخوارزمي مشرفا اول و(أ. د. احمد عبد الرسول) من كلية الهندسة الخوارزمي استمعت اللجنة الى الطالبة واعلنت الدرجة التي حصلت عليها التي كانت بتقدير (جيد جدا) لتقديم بحثها الذي يتلخص ان
الأنظمة التي تعمل بنظام التدفق والإنتاج والتي يتم توصيل أجزائها على التوالي ، تكون عمليات جدولة الصيانة غير ثابتة لأن الأعطال تحدث في أوقات مختلفة ، على سبيل المثال (محطات الكهرباء ، مصانع الأسمنت ، محطات تحلية المياه). ولغرض الوصول إلى أهداف البحث من خلال تحقيق برنامج صيانة تنبؤية يتنبأ بوقت ونوع وموقع الفشل ، فإنه يعتمد من خلال استخدام البرمجيات الحديثة وأنظمة الذكاء الاصطناعي.
تم الحصول على البيانات للوحدة الخامسة بمحطة الدورة الحرارية. تم تطبيق منهجية البحث على ثلاث مراحل. تضمنت المرحلة الأولى معالجة البيانات المفقودة ، حيث افتقرت البيانات إلى التسلسلات الزمنية. تم تعبئة البيانات باستخدام متسلسلة زمنية ساعة بعد ساعة مع الأخذ بعين الاعتبار أوقات تعبئة البيانات كساعات عمل للنظام ، مما جعل حجم البيانات كبيرًا جدًا للأعوام ٢٠١٥-٢٠١٦-٢٠١٧ ، وتم استخدام عام ٢٠١٨ باعتباره سنة الاختبار للتحقق من عمل النمذجة ، والتحقق من صحة النتائج التجريبية.
في المرحلة الثانية ، استخدمت منهجية الشبكات العصبية الاصطناعية بأستخدام برنامج بيثون كنوع من الذكاء الاصطناعي ، ونسبة تقارب البيانات الحقيقية باستخدام قياس الأداء (متوسط الخطأ المطلق) MAE (٠.٠٠٥).
لتحسين وتقليل نسبة (متوسط الخطأ المطلق) تم استخدام الخوارزمية الجينية والمنهجية المستخدمة لتحسين أوزان الشبكة العصبية ، وأصبحت نسبة التقارب (متوسط الخطأ المطلق) MAE (٠.٠٠١).تم توضيح إمكانات البرنامج للتنبؤ على المدى الطويل من عام ٢٠١٩ حتى عام ٢٠٣٠.و يتضح مما سبق أن طريقة الخوارزمية الجينية تتفوق على الشبكات العصبية وحدها وتحقق أفضل النتائج بأقل خطأ.
حيث نلاحظ ان نسبة استمرارية العمل في البيانات الحقيقية لعام ٢٠١٨ (٨٦.٨٠٪) وباستخدام ANN (٨٧.٣٥٪) وكذلك عند استخدام ANN مع GA (٨٧.٩٢٪) كما يمكن مشاهدة العطل الميكانيكي في البيانات الحقيقية (١١.٨٠٪) وباستخدام ANN (١١.٥١٪) وكذلك عند استخدام ANN مع GA (١١.٦٢٪). ثم نسبة الانهيار الكهربائي في البيانات الحقيقية (١.٤٠٪) ، وباستخدام ANN (٠.٥٧٪) ، وكذلك عند استخدام ANN مع GA (١.٠٣٪).
الأمر الذي يخلص إلى أن استخدام شبكة المطورين كان أداء أفضل بكثير من غيره ، كما أن استخدام السلاسل الزمنية ساعد في إيجاد الحالات المستقبلية من خلال قراءة واستنتاج البيانات المتوفرة حول آلية عمل الأنظمة. ووضع خطط عمل مناسبة وبالتالي سيقلل من التكاليف الداخلية والخارجية للأنظمة وساعد على استخدام برنامج Python المطبق في البحث لدمج القدرات الأخرى من خلال توفير مصادر بيانات دقيقة للمواد الخام والتكاليف وغيرها لغرض تسهيل الوصول إلى التنبؤ لعمال الصيانة ، واجهة مبنية باستخدام برنامج بيثون ممثلة بإدخال الوقت (ساعة – يوم – شهر – سنة) للتنبؤ بالأعطال ونوعها وموقعها.
