تعمیر و نگهداری پیش‌بینی‌کننده در بخش بالادستی: پیاده‌سازی یادگیری ماشین با فلاسک

Summarize this content to 400 words in Persian Lang
در چشم انداز صنعتی پر سرعت امروز، تعمیر و نگهداری پیش بینی شده به عنوان یک استراتژی حیاتی برای بهینه سازی مدیریت دارایی و کارایی عملیاتی ظاهر شده است. این مقاله به بررسی اجرای عملی تکنیک‌های یادگیری ماشین در بخش بالادستی می‌پردازد، به‌ویژه بر روی یک برنامه کاربردی مبتنی بر Flask برای نگهداری پیش‌بینی‌کننده تمرکز می‌کند.

معرفی

تعمیر و نگهداری پیش‌بینی‌شده از داده‌های تاریخی و الگوریتم‌های یادگیری ماشین برای پیش‌بینی خرابی‌های تجهیزات قبل از وقوع استفاده می‌کند و در نتیجه زمان خرابی و اختلالات عملیاتی را به حداقل می‌رساند. در بخش بالادستی صنعت نفت و گاز، جایی که قابلیت اطمینان تجهیزات به طور مستقیم بر تولید و ایمنی تأثیر می گذارد، تعمیر و نگهداری پیش بینی شده نوید قابل توجهی دارد.

انتخاب مدل یادگیری ماشین

مرکز برنامه ما انتخاب و استقرار RandomForestClassifier است، یک روش یادگیری گروهی قوی که هم برای وظایف طبقه بندی و هم برای مدیریت مجموعه داده های پیچیده ای که اغلب در تنظیمات صنعتی با آن مواجه می شوند، مناسب است.

from sklearn.ensemble import RandomForestClassifier
import joblib

# Initialize the RandomForestClassifier model
model = RandomForestClassifier(n_estimators=100, random_state=42)

# Train the model with your dataset (X_train, y_train)
model.fit(X_train, y_train)

# Save the trained model to a file
joblib.dump(model, ‘models/predictive_model.pkl’)

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

تنظیم برنامه فلاسک

Flask یک چارچوب انعطاف پذیر و سبک برای توسعه برنامه های کاربردی وب در پایتون ارائه می دهد. برنامه Flask ما مدل آموزش‌دیده RandomForestClassifier را برای پیش‌بینی سلامت تجهیزات براساس ورودی داده‌های حسگر ادغام می‌کند.

نصب و وابستگی ها

مطمئن شوید پایتون و پیپ را نصب کرده اید. یک محیط مجازی ایجاد کنید و Flask و کتابخانه های مورد نیاز را نصب کنید:

python -m venv venv
source venv/bin/activate # Activate virtual environment
pip install Flask scikit-learn joblib pandas

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

ساختار کاربردی فلاسک

predictive-maintenance-flask/
├── app.py # Flask application
├── requirements.txt # Python dependencies
├── static/
│ └── style.css # CSS styles
└── templates/
└── index.html # HTML template

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

کد برنامه فلاسک

app.py

from flask import Flask, render_template, request, jsonify
import joblib
import pandas as pd

app = Flask(__name__)
model = None

# Load the trained machine learning model
def load_model():
global model
model = joblib.load(‘models/predictive_model.pkl’)

# Home route
@app.route(‘/’)
def home():
return render_template(‘index.html’)

# Endpoint to receive sensor data and make predictions
@app.route(‘/predict’, methods=[‘POST’])
def predict():
if model is None:
load_model() # Load the model if not already loaded

# Get data from the POST request
data = request.form.to_dict()

# Convert the data into a DataFrame
input_data = pd.DataFrame([data])

# Make predictions
prediction = model.predict(input_data)
prediction_prob = model.predict_proba(input_data)[:, 1] # Probability of failure

# Prepare response
if prediction[0] == 1:
result = “Equipment failure predicted.”
else:
result = “Equipment functioning normally.”

output = {
“prediction”: result,
“probability”: float(prediction_prob[0])
}

return jsonify(output)

if __name__ == ‘__main__’:
app.run(debug=True)

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

استفاده و استقرار

داده های ورودی و پیش بینی:

کاربران داده های حسگر (مانند دما، فشار) را از طریق یک فرم وب وارد می کنند.
برنامه Flask از مدل آموزش دیده برای پیش بینی وضعیت سلامت تجهیزات (شکست یا عادی) استفاده می کند و یک امتیاز احتمال را ارائه می دهد.

یکپارچه سازی و مقیاس پذیری:

معماری مدولار Flask امکان ادغام آسان با سایر چارچوب ها و گزینه های گسترش مقیاس پذیر را فراهم می کند.
برای بهینه‌سازی بیشتر استراتژی‌های تعمیر و نگهداری پیش‌بینی‌کننده، برنامه را با جریان داده‌های بی‌درنگ و ابزارهای تجسم پیشرفته تقویت کنید.

نتیجه

با استفاده از یادگیری ماشین و استقرار آن از طریق Flask، سازمان‌ها در بخش بالادستی می‌توانند به استراتژی‌های تعمیر و نگهداری پیشگیرانه دست یابند که کارایی عملیاتی را افزایش می‌دهد، زمان خرابی را به حداقل می‌رساند و سطوح تولید پایدار را تضمین می‌کند. همانطور که تکنولوژی به تکامل خود ادامه می دهد، استفاده از تعمیر و نگهداری پیش بینی شده نقش بسیار مهمی در حفظ رقابت و پایداری در عملیات صنعتی ایفا خواهد کرد.

لینک Github اینجا

from sklearn.ensemble import RandomForestClassifier
import joblib

# Initialize the RandomForestClassifier model
model = RandomForestClassifier(n_estimators=100, random_state=42)

# Train the model with your dataset (X_train, y_train)
model.fit(X_train, y_train)

# Save the trained model to a file
joblib.dump(model, 'models/predictive_model.pkl')

python -m venv venv
source venv/bin/activate  # Activate virtual environment
pip install Flask scikit-learn joblib pandas

predictive-maintenance-flask/
├── app.py                  # Flask application
├── requirements.txt        # Python dependencies
├── static/
│   └── style.css           # CSS styles
└── templates/
    └── index.html          # HTML template

from flask import Flask, render_template, request, jsonify
import joblib
import pandas as pd

app = Flask(__name__)
model = None

# Load the trained machine learning model
def load_model():
    global model
    model = joblib.load('models/predictive_model.pkl')

# Home route
@app.route('/')
def home():
    return render_template('index.html')

# Endpoint to receive sensor data and make predictions
@app.route('/predict', methods=['POST'])
def predict():
    if model is None:
        load_model()  # Load the model if not already loaded

    # Get data from the POST request
    data = request.form.to_dict()

    # Convert the data into a DataFrame
    input_data = pd.DataFrame([data])

    # Make predictions
    prediction = model.predict(input_data)
    prediction_prob = model.predict_proba(input_data)[:, 1]  # Probability of failure

    # Prepare response
    if prediction[0] == 1:
        result = "Equipment failure predicted."
    else:
        result = "Equipment functioning normally."

    output = {
        "prediction": result,
        "probability": float(prediction_prob[0])
    }

    return jsonify(output)

if __name__ == '__main__':
    app.run(debug=True)