صيانة الالات

مشروع في مجال تعلم الآلة يهدف إلى التنبؤ بما إذا كانت الآلة الصناعية ستتعرض لعطل خلال الـ24 ساعة القادمة. يعتمد المشروع على مجموعة بيانات للصيانة التنبؤية تحتوي على خصائص متعلقة بالآلة وأجهزة الاستشعار وظروف التشغيل، مثل الاهتزاز، ودرجة حرارة المحرك، والتيار، والضغط، وعدد دورات المحرك (RPM)، ووضع التشغيل، وعدد ساعات التشغيل منذ آخر عملية صيانة، ودرجة حرارة البيئة المحيطة.

يتضمن سير العمل تنظيف البيانات، ومعالجة القيم المفقودة باستخدام KNN Imputation، وتحويل البيانات الفئوية باستخدام One-Hot Encoding، وتوحيد نطاق الخصائص باستخدام RobustScaler، بالإضافة إلى إجراء التحليل الاستكشافي للبيانات (EDA) وتدريب نماذج تعلم الآلة.

تمت مقارنة عدة خوارزميات للتصنيف، منها Logistic Regression وSVC وDecision Tree وRandom Forest وGradient Boosting وXGBoost.

حقق نموذج XGBoost دقة بلغت 98%، مع Recall بنسبة 95% وF1-Score بنسبة 94% في اكتشاف الأعطال، وذلك بعد تحسين معاملات النموذج باستخدام GridSearchCV. كما تم حفظ خط معالجة البيانات والتنبؤ بالكامل باستخدام Joblib، مما يتيح استخدامه مستقبلًا في النشر ودمجه داخل تطبيق للصيانة التنبؤية.