سامانه‌ی نگهداری پیش‌بینانه با گره‌ی لبه‌ی ESP32 و موتور تشخیص ناهنجاری هوش مصنوعی

چالش پروژه

تشخیص خرابیِ در حال شکل‌گیری از روی داده‌ی خام دما، فشار و لرزش دشوار است: آستانه‌های ثابت یا هشدار کاذب فراوان می‌دهند یا خرابی واقعی را دیر تشخیص می‌دهند، نویز ارتباطی سنسورها پیش‌بینی را آلوده می‌کند، و سنسورهای با مقیاس بزرگ می‌توانند سیگنال‌های کوچک اما حیاتی را پنهان کنند. علاوه بر این، اپراتور باید بداند کدام سنسور دقیقاً مشکل دارد.

رویکرد ما

در لایه‌ی سخت‌افزار، یک دستگاه سنجش فشرده مبتنی بر ESP32 مستقیماً روی ماشین نصب می‌شود و داده‌ی زنده‌ی دما، فشار و لرزش را پیوسته به سرور می‌فرستد. در بک‌اند، هسته‌ای پنج‌الگوریتمی با PyOD (شامل Isolation Forest و ECOD به‌همراه سه مدل برتر دیگر) بهترین مدل را به‌صورت خودکار برای پروفایل رفتاری هر ماشین انتخاب می‌کند. پیش از مدل، حذف داده‌ی پرت با روش IQR و نرمال‌سازی خودکار چندسنسوری انجام می‌شود، و تحلیل علت ریشه‌ای با Z-Score سنسور دقیقِ معیوب را با انحراف عددی مشخص می‌کند (مثلاً «انحراف ۴٫۵ سیگما روی سنسور لرزش محور X»). داده‌ی سری‌زمانی در InfluxDB، بک‌اند REST با FastAPI و PostgreSQL، و داشبوردهای زنده با Streamlit و Grafana در معماری میکروسرویس پیاده شدند.

نتیجه

این سامانه داده‌ی سنسورها را تحلیل می‌کند و شرایط غیرعادی را پیش از خرابی ماشین تشخیص می‌دهد: تیم نگهداری پیش از وقوع خرابی اعزام می‌شود و توقف برنامه‌ریزی‌نشده‌ی پرهزینه حذف می‌گردد. معماری میکروسرویس امکان مقیاس‌پذیری روی چندین ماشین را فراهم می‌کند.

نتایج پروژه

• تشخیص شرایط غیرعادی پیش از خرابی و حذف توقف برنامه‌ریزی‌نشده
• شناسایی دقیق سنسور معیوب با انحراف عددی، نه هشدار عمومی
• مقیاس‌پذیری روی چندین ماشین با معماری میکروسرویس