نوقشت رسالة الماجستير للطالبة (نور علي محمد) من قسم هندسة التصنيع المؤتمت صباح يوم الثلاثاء الموافق 27/2/2024 في قاعة مناقشات الدراسات العليا في الكلية وكانت اللجنة برئاسة (أ. د. علي حسين مري) من كلية الهندسة الخوارزمي/ هندسة الميكاترونكس وعضوية كل من (أ. م. د. بشرى كاظم عليوي) من الجامعة التكنولوجية/ قسم السيطرة والنظم و (أ. م. د. عزة عبد الرزاق عبد الكريم) من كلية الهندسة الخوارزمي/ هندسة التصنيع المؤتمت وإشراف (أ. د. أسامة فاضل عبد اللطيف) من كلية الهندسة الخوارزمي/ هندسة التصنيع المؤتمت مشرف أول وأن . م. د. علي حسن حمد من كلية الهندسة الخوارزمي/ هندسة المعلومات والاتصالات مشرف ثان وبعد الاستماع اللجنة إلى الطالبة الباحثة أعلن رئيس اللجنة الدرجة التي حصلت عليها الباحثة والتي كانت بتقدير امتياز. وذلك لتقديم بحثها
(الصيانة التنبئية الذكية باستخدام التعلم الآلي لنظام التصنيع القائم على إنترنت الأشياء) الذي كان الخلاصة منه.
يستخدم قطاع التصنيع أجهزة إنترنت الأشياء الصناعية لمراقبة الآلات، وتقييم التدهور، والتنبؤ بالفشل، وتعزيز الكفاءة والفعالية من حيث التكلفة. أثبتت الصيانة التنبئية المبنية على الحالة فعاليتها في التنبؤ بأعطال المعدات ومراقبتها. تقترح هذه الرسالة نظام تصنيع صيانة تنبئي يستخدم التعلم الآلي لتحديد مشكلات الأصول. وقد تم تقديم دراستي حالة في الواقع العملي. الأول هو محرك تيار متردد مزود بثلاثة أنواع مختلفة من أجهزة الاستشعار: درجة الحرارة والتيار والاهتزاز (في ثلاثة محاور). ترتبط جميع هذه المستشعرات ب Raspberry Pi الذي يمكنه الاتصال بالإنترنت، ويستخدم بروتوكول MQTT IoT لتحميل بيانات المستشعر إلى خادم سحابي. تم فحص آلة CNC بثلاثة محركات متدرجة في السيناريو الثاني، وتم استخدام نفس أنواع المستشعرات، تم إنشاء تطبيق عبر الإنترنت للصيانة التنبئية، يعرض مخرجات نظام التنبؤ بالأخطاء من خلال واجهة المستخدم الرسومية (GUI). تناولت هذه الرسالة خمسة أنواع مختلفة من خوارزميات التعلم الآلي تم تقديم مقارنة بينهما بناء على مقاييس مختلفة، نظرا لأن خوارزمية الغابة العشوائية تأخذ في الاعتبار التعلم الآلي المجمع، فإنها تؤدي أداء أفضل من جميع الخوارزميات الأخرى، حيث تصل إلى 100 % في جميع المقاييس في كلتا دراستي الحالة، ولكنها تستغرق وقتا أطول للتعلم من جميع الخوارزميات الأخرى. يستخدم نظام IIoT المقترح في الخادم السحابي نموذج التعلم RF للتنبؤ بأي فشل في النظام بناء على أنماط بيانات الاستشعار المستلمة. يتم عرض نتائج نموذج التعلم الآلي لكل محرك في تطبيق الويب المصمم، والذي يرسم أيضا بيانات المستشعر في الوقت الفعلي لإجراء تحليل إضافي للنظام.
