ترجمه فارسی مقاله یک چارچوب دوقلوی دیجیتال با استفاده از یادگیری ماشین برای نگهداری پیشگیرانه قوی: بهبود نظارت بر سلامت تایر

چکیده

We introduce a novel digital twin framework for predictive maintenance of long-term physical systems. Using monitoring tire health as an application, we show how the digital twin framework can be used to enhance automotive safety and efficiency, and how the technical challenges can be overcome using a three-step approach. Firstly, for managing the data complexity over a long operation span, we employ data reduction techniques to concisely represent physical tires using historical performance and usage data. Relying on these data, for fast real-time prediction, we train a transformer-based model offline on our concise dataset to predict future tire health over time, represented as Remaining Casing Potential (RCP). Based on our architecture, our model quantifies both epistemic and aleatoric uncertainty, providing reliable confidence intervals around predicted RCP. Secondly, to incorporate real-time data, we update the predictive model in the digital twin framework, ensuring its accuracy throughout its life span with the aid of hybrid modeling and the use of discrepancy function. Thirdly, to assist decision making in predictive maintenance, we implement a Tire State Decision Algorithm, which strategically determines the optimal timing for tire replacement based on RCP forecasted by our transformer model. This approach ensures our digital twin accurately predicts system health, continually refines its digital representation, and supports predictive maintenance decisions. Our framework effectively embodies a physical system, leveraging big data and machine learning for predictive maintenance, model updates, and decision-making.

چکیده به فارسی (ترجمه ماشینی)

ما یک چارچوب دوقلوی دیجیتال جدید را برای نگهداری پیش بینی سیستم های فیزیکی بلند مدت معرفی می کنیم.با استفاده از نظارت بر سلامت تایر به عنوان یک برنامه ، ما نشان می دهیم که چگونه می توان از چارچوب دوقلوی دیجیتال برای تقویت ایمنی و کارآیی خودرو استفاده کرد و چگونه می توان با استفاده از یک رویکرد سه مرحله ای ، چالش های فنی را برطرف کرد.در مرحله اول ، برای مدیریت پیچیدگی داده ها در طول کار طولانی ، ما از تکنیک های کاهش داده استفاده می کنیم تا به طور خلاصه لاستیک های فیزیکی را با استفاده از عملکردهای تاریخی و داده های استفاده نشان دهند.با تکیه بر این داده ها ، برای پیش بینی سریع در زمان واقعی ، ما یک مدل مبتنی بر ترانسفورماتور را به صورت آفلاین در مجموعه داده های مختصر خود آموزش می دهیم تا سلامت تایر آینده را به مرور زمان پیش بینی کنیم ، که به عنوان پتانسیل پوشش باقی مانده (RCP) ارائه می شود.بر اساس معماری ما ، مدل ما هم عدم قطعیت معرفتی و هم aleatoric را تعیین می کند و فواصل اطمینان قابل اعتماد را در مورد RCP پیش بینی شده ارائه می دهد.ثانیا ، برای ترکیب داده های زمان واقعی ، ما مدل پیش بینی کننده را در چارچوب دوقلوی دیجیتال به روز می کنیم ، و از صحت آن در طول طول عمر خود با کمک مدل سازی ترکیبی و استفاده از عملکرد اختلاف اطمینان می دهیم.ثالثاً ، برای کمک به تصمیم گیری در زمینه نگهداری پیش بینی ، ما یک الگوریتم تصمیم گیری وضعیت تایر را پیاده سازی می کنیم ، که از لحاظ استراتژیک زمان بهینه برای جایگزینی تایر را بر اساس RCP پیش بینی شده توسط مدل ترانسفورماتور ما تعیین می کند.این رویکرد تضمین می کند که دوقلوی دیجیتال ما به طور دقیق سلامت سیستم را پیش بینی می کند ، به طور مداوم بازنمایی دیجیتالی خود را پالایش می کند و از تصمیمات پیش بینی نگهداری پشتیبانی می کند.چارچوب ما به طور موثری یک سیستم فیزیکی را تجسم می کند و از داده های بزرگ و یادگیری ماشین برای نگهداری پیش بینی ، به روزرسانی های مدل و تصمیم گیری استفاده می کند.