工业4.0环境下机械加工预测性维护技术分析研究

可持续运营和计算机3（2022）176不同环境策略下机械加工工业人工智能模型的分析研究：工业4.0方法Mohammad Seraja，Osama Khanb，Mohd Zaheen Khanc，Mohd Parveza，Bhupendra Kumar Bhatta，Amaan Ullaha，Md Awafique AlamaaAl-Falah大学机械工程系，Haryana 121004，印度b印度新德里110025 Jamia Millia Islamia机械工程系c工程技术学院机械工程系，勒克瑙226021印度aRT i cL e i nf o保留字：预测性维护工业4.0自适应神经模糊推理系统（ANFIS）响应面法（RSM）环境条件a b sTR a cT自工业4.0引入以来，制造业采用了更智能的自动化系统，使生产行业的各个方面能够更好地相互连接。工业4.0的应用提高了性能和效率，提高了可靠性和鲁棒性。本研究提供了一个新的框架，考虑到复杂性和灵活性的工作环境中的工厂，以前没有探索。配备传感器和通信器的智能系统负责监测信息并预先检测故障，最终提高系统性能。此外，该研究还探讨了工业4.0设置中的预测性维护概念，该概念基于与大气相关的变化来感知任何系统故障。在这项研究中，探索了一种新的算法，该算法考虑了基于不同环境条件的多个不同的数据集，同时为工业4.0实施中的预测性维护提供输入，从而提供了一种透明和有效的制造方法。工业4.0的框架通过与以前的预测模型进行定量比较得到了验证，并被认为是可行的，这些模型可以进一步预测工业机器中的任何未来故障。生产力值进行了验证与智能混合预测技术，如自适应神经模糊推理系统（ANFIS）和响应面方法（RSM）的帮助下开发的模型。考虑的输入参数是大气条件，而所需的输出响应是机器的生产率。两种加工模型的三角形隶属函数1. 介绍预测区间是度量和解决模型中输出数据不确定性的潜在工具。随着成功的预测区间模型的应用，这些不确定性必然会随着每次迭代而减少。对系统内基于模型的未来不确定性的预测导致更合理和有效的建筑电力监管选择[12]。 包括较高预测不确定性的输入可以在某些约束下引入，最终导致预期冷却系统的更好性能。此外，如果所需或预测的冷却或加热条件与实际条件不同，则可以查明和发现系统内的故障。最后，通过这些预测技术可以解释，较宽的预测负荷范围掩盖了系统中的高不确定性，而较小的预测负荷范围显示出较低的不确定性水平。一个可靠∗ 通讯作者。电子邮件地址：www.example.comzkhan.med.cf @ ietlucknow.ac.in（M.Z.Khan）。https://doi.org/10.1016/j.susoc.2022.01.006与前一系统相比，后一系统显示出改进的性能[3现代工业正在融入工业4.0概念，以借助人工智能技术加快机器的生产力[6]。基本上，工业4.0正在彻底改变传统的工业设置，因为这些设置能够以成本效益的方式支持可观的生产灵活性和创造力[7]。它将通信、数据生成和人工智能的功能集成在一个被称为工业4.0的强大设置中[8]。工业4.0的巨大潜力也得到了先前研究的验证，因为它在其他平台上也建立了巨大的创新和增长潜力，从而完善了现有的可持续性工业框架[9]。冷却器的冷却能力通常会受到冷凝器结垢、冷却剂泄漏和不可冷凝烟雾形成的影响[6]。如果预先估计的冷却负荷与实际冷却负荷全面不同，则观察到的de-接收日期：2021年8月29日;接收日期：2022年1月16日;接受日期：2022年1月22日2022年1月23日在线提供2666-4127/© 2022作者。由Elsevier B.V.代表KeAi Communications Co.出版，这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表可持续运营和计算机期刊主页：http://www.keaipublishing.com/en/journals/sustainable-operations-and-computers/M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176177命名法ACHRSM每小时换气次数自适应神经模糊推理系统美国供暖、制冷和空调工程师响应面法冷却负荷系数HVAC暖气、通风和空调IR红外线干球温度WBT湿球温度RH相对湿度WS风速MT平均温度另一方面，如果评估的预估冷却负荷不适当，则效果将不准确。 因此，只有当观察到的故障可靠时，对预估冷却负荷中存在的误差的定量解释才有助于评估[7然而，必须提出一个通用的框架，用于量化预期冷却负荷内的不稳定性。在考虑定量不稳定性的情况下，可以设计出更有效的建筑物功率布置和精确的通过广泛的文献综述过程，可以得出结论，在过去很少有关于基于通用间隔程序的结果报告，用于检查预计的冷负荷。然而，断言限制了其实现，因为用于冷却负荷预测的其他出租的残差预测可能不是基于零均值拉普拉斯分布。目前的研究提出了一种通用的方法来评估预计的冷负荷，这将进一步加剧系统中的预先手的不确定性。与传统的估计区间预测的方法不同，新的框架不假设任何预测残差分布。从理论上讲，它适用于所有主要的基于预测的算法，用于冷却负荷估计，因为预先考虑的因素是不假设的[10一致性和安全性等主要因素被视为一体智能自动化行业中最重要的方面。由于所需系统的复杂性和多样性，这些参数不断发展。将大数据分析纳入行业设置将带来特殊的好处，例如促进框架管理，实现近乎零的维护，并进一步保证基于预估的维护系统[14由于冷却负荷的性质，特定区域中与预期冷却负荷相关的不确定性是不可避免的。分析师估计，这些不确定性可能会大大影响基于冷却负载预测的节能程序的性能。如果预期的冷却需求偏离估计的冷却需求，则系统的效率可能很差。这一点在过去的文献[17]中很明显，这些文献得出的结论是，不确定性显著降低了基于冷却负荷的编程程序的整体性能[18]。此外，这些机器误差影响优化的组合过程，例如结合在建筑结构内的同时加热、冷却和能量产生布置，通过预测的冷却需求定期监测。此外，当系统显示较低的效率和性能时，利用特定的时空特征来描述或表示发送工业数据分析有助于系统更有效和高效。此外，这为自动化生产工业设置中的数据挖掘提供了更可靠的属性。为了了解各种输入与若干输出之间的关系，采用人工神经网络来预测机器的生产率。这有效地减少了实验运行的次数，从而减少了降低运行成本和时间。在以前的生产力相关研究中，各种研究人员采用人工神经网络技术来减少操作次数，并取得了可观的结果[19]。此外，为了获得精确的近场实验结果，还采用了响应面法（RSM）.目前的研究是基于对一家工厂的各种机器的生产率的评估，这些机器可能在过去的几年里已经退化。评估过程主要包括一个自动仪表设置，该设置每天检测环境条件，以提前预测机器性能。这是一个手持摄像机，用于测量机器中各个点的温度。关于上述趋势，作者提出了以下观点：• 应用基于环境的生产力估计，证明是操作简单，环境友好，是一个可行的方案。• EX探索的机器生产率为各种大气条件下，同时采用软计算技术，如ANFIS和RSM从来没有解决在任何以前的文献。• 为考虑环境参数而开发的预测性维护产生的值与实验时获得的值非常接近。• 以前的研究（加工中的其他领域）强调了结合软计算预测模型进行能量监控的重要性，从而产生准确的生产率特性，同时减少了工时、成本、劳动力、时间和能源[14，15]。目前的研究应用了手持摄像机审计系统，该系统检测机器生产率作为输出预测，并使用称为自适应神经模糊接口系统（ANFIS）和响应面方法（RSM）的人工智能技术进行进一步预测。因此，可以用这些模型研究几个输入变量（DBT、风速和相对湿度）的影响以节省成本的方式。ANFIS的预测响应与实验和理论评估中获得的结果一致，并且被认为是相当精确的。软计算技术的应用与机器监控技术的优化相结合，将在当前的工业化时代产生革命性的成果2. 材料和方法工业化国家已经引入了许多促进生产的计划，以鼓励工业与人工智能的融合。这最终将加速财政复苏，并为制造业提供新的发展空间。执行预先定义输入和输出变量等初步功能程序，以最大化最终结果。选择DBT、WS和RH三种输入进行试验和分析。同样也取决于 该基准是，将评估所建议的输入，以实现机器的最大生产率和最小的能耗。本文提出了一些混合方法来比较实验数据和预测数据，并解释了四个连续的步骤：（i）积累所获得的实验数据并基于训练和测试对数据进行聚类;（ii）基于环境条件的理论数据生成;（iii）确定ANFIS数据结构中的最佳性能模型，以评估机器固定性能;（iii）对ANFIS、实验模型和理论模型的结果进行比较分析，以确定其中的最佳生产率，(iv)最后，推广和验证的结果与以前的模型。2.1. 数据汇编可靠数据的可用性一直是任何产品发展到商业行业的一场革命，因为智能M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）1761783，中国+���表1实验设置的技术细节。S.No.相机规格的属性1相机型号手持式相机FLUKE米2视野23°X 17°330 °C时热灵敏度≤0.1°C（100 mK）4光谱范围7.5微米至14微米���5探测器类型160 × 120焦平面阵列，非制冷微测辐射热计6可视摄像头640 × 480分辨率7对象温度范围-20 °C至+350 °C8精度± 2 °C或2%（以较大者为准）系统.以下工业大数据的来源是最流行的;• 来自产品或设备设计的数据。• 来自系统操作和控制模块的数据。• 来自劳动力行动的数据，如任务记录和员工工作活动的视频• 生产方法程序的数据。来自运输供应链的数据。• 来自环境因素的数据，如气候、工作空间温度、湿度和声级。• 来自设备/机器健康检查及其故障诊断的数据。数据来自生产标准，每个生产站• 来自产品利用率消耗的数据，如可访问性维护频率• 来自客户或买家的数据，如对产品的反馈/反应，客户特征。用于开发预测ANFIS模型的实验和理论数据集从无人机相机测试装置获得。子章节包括数据评价中遵循的步骤的完整描述。福禄克相机设置技术评级如下表1所示。在众多类似的技术中，最重要的创新战略是工业4.0，它在全球范围内引发了对高科技生产的新兴趣，并在美国和德国等国家积极实施。一旦工业大数据被处理，结果就是一组维度、转换、模式、分数和预先估计。该数据处理过程可大致分为数据格式化、维数消除、秘密模式检测、精度评估和预测等多个阶段。工业化信号处理和数据提取通常采用人工智能和非传统统计技术，使用时频建模进行高环境噪声的机械振动数据采集。这最终是执行与援助的分析模拟，其中包括最重要的子集的输入低维度。 然而，信号表2ANFIS培训模型框架。参数规格节点总数193线性参数81非线性参数36训练数据对的数量45模糊规则的数量81三角形隶属函数不确定的数据库最近ANFIS模型已经获得了相当大的普及，由于它的能力，建立有效的模糊规则，facilitating- ING有效的表面图之间的各种输入和输出响应。实际上，迫切希望实施这种人工新技术，在机器生产率评估中，由于该方法可以被证明是传统实验技术的完美替代，从而提供具有增强的可靠性的结果，因此，ANFIS的一般模型由六个主要层组成，初始层为输入参数，然后是模糊化层、规则后件层、规则强度归一化层、规则后件层，最后是规则推理层。构建一个可行的ANFIS结构表明模糊理论和隶属度框架的存在生成了约32组输入变量和数据模式，从将它们随机分为两个子集的实验中得出24（75%）和8（25%），分别为训练和测试ANFIS模型的数据。单一ANFIS模型的框架如表2所示。应用ANFIS的以下方程通过建模产生不同的响应;层1-模糊层：���1���，���������������������������������1���，������������������������1在应用工业大数据的同时进行加工，这是“5V”的反击。���������(���)=1 +[（���−）2]������（三）可用数据的属性（体积、速度、种类、准确性和价值）。图1显示了数据积累和实验的流程图。���������心理状态2.2. 通过人工智能研究中采用的基本建模方法是一阶Takagi-Sugeno人工神经模糊接口系统（ANFIS）。实验是在上述模型上进行的，如图2所示，以评估机器的生产率值。在先前的文献中已经较早地建立了类似的模型，用于对具有有限的、非线性的、第2层-产品层：���2���，������������������������������������������层3-归一化层：���==���������，������������= 1，2（5）���1���2第4层-去模糊层：���4���，������������������������������������������������������M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176179图1.一、 数据积累和实验工作流程图。图二. ANFIS模型框架。M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176180（）（）（[1[二[2014-05-23]���∑���������第5层-总输出层：���5.���������������������������������������������������������������������（七）表3与所有仪器相关的误差和不确定性。测量仪器范围精度DBT Fluke仪表0-1000 C ± 0.4���=���1���1+���第二���章（八）WS流量计0-15 Km/hr ± 0.8���1+���������相对湿度流量计0-100% ± 0.5计算结果不确定度机器1产率0������������������������������������������=���������������������������= +2 2+2 2+22（10）���通常，基于机器特性的建模从确定符合问题陈述的复杂性的精确目标函数开始。传统的方法用来产生目标函数的几个输入和输出参数消耗大量的时间和劳动力。然而，ANFIS技术由于其生成数据的能力而不需要任何先前的模型历史，因此它是一个可接受的目标函数。从ANFIS技术确定的估计和预测可以通过在输出响应中采用遗传算法来进一步微调，从而提高精度和效率。通常情况下，ANFIS技术可能不会100%准确，因为结果会在局部最优值范围内。此外，冲突的输出使模型开发复杂化。为了克服这种复杂性，响应面技术被开发出来，它考虑了环境的所有复杂性，并用于快速有效地解决复杂的机器相关问题。2.3. 响应面法响应面技术提供了一个初步的方法，在解决和链接-机器2产量0-1 ± 0.1%不确定度的检验是对相应系数点的误差进行评定。所有的计算都有误差;然而，我们通常的目标是使误差尽可能小。此外，我们需要准确评估其规模。各种参数的不确定度主要来源于不同的因素，如仪器误差、测量误差、环境条件、测量方法和仪器类型。为了获得可信度，对所有测试机器的每个参数测量3次经常测量几个性能参数（DBT，WS和RH）和产量生产率在显示值中带有小误差。因此，每种仪器都有自己的不确定性水平，已考虑到消除测量值中的任何变化。使用分析期间测量的每个单个参数的平方进行不确定度分析。表3中规定了测量仪器的所有误差。如果许多不同的原因影响结果，那么预测因子中的误差是合理的，因此，总体不准确性可以估计如下。在本实验中，通过应用下面提供的公式11来1∕将输入参数与输出参数进行比较。 进行了具有32次测试运行的CCRD的定制设计，以确定输出，拟合方程。此外，开发的建筑也使人耳目一新���=���������������1]2+���������������22+ ......... +的������������������]2）2（十一）每个变量的极值（低和高）。输入变量由从过去文献中获得的数据得出，并通过实验结果确认其可行性。为输入参数开发的范围强烈地影响输出响应，超过该范围，输出响应变得微不足道。环境参数如DBT在2-41 °C之间变化对于一组特定的输入变量，同时读取三个读数，以产生具有最小不确定性的防欺骗值。最后，将它们的平均值作为最终响应以供进一步分析。每个输出常数的拟合方程在后续章节中推导和说明。该研究包括几个控制因素，数字和编码值中采用的自定义的，签名CCRD阵列，共32次运行。 附录1提供了不同环境条件下的完整数据2.7. 不确定性分析数据挖掘和知识获取通过工业数据分析的“5V”质量变得可行，这些质量提供了全面和整体的信息。以下是通过数据提取技术获得的一些细节;• 工厂设备故障• 设计过程• 制造过程中的故障• 客户态度、传统和要求• 员工行为和职业道德。总百分比不确定度（U）=[（DBT的不确定度）2+（WS的不确定度）2+（RH的不确定度）2+（反射的不确定度）2+（测量机1的不确定度）2+（测量机2的不确定度）2]的平方根1/2的总百分比不确定=平方根[（0.4）2+（0.8）2+（0.5）2+（0.2）2+（0.1）2+（0.1）2+（0.2）2]的1/2总不确定度百分比= ± 1.15%整个测试的总不确定度评估结果为近似值± 1.15%，处于标准范围内。3. 实验装置传统上，典型制造系统的分析过程不考虑看不见的方面/元素，例如工业厂房内的健康设施/状态、操作员的能力、环境信息（基于天气的预测数据）、工作站温度和噪声标准。由于极端偏析和复杂的传感器测量，这些参数很少使用。实际上，通过工业大数据与人工智能的融合，可以实现上述参数之间的各种关系的生成，实现人机环境之间的有效交互。因此，可以评估和验证工业过程中的误差估计，以便详细了解生产过程。工业领域的大数据使我们能够完整地描述生产过程的状况。系统决策标准的性能随着人工智能和工业场所内的预估条件的集成而大大增强。以下假设如下所述的给定数据;]M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176181图三. 带DBT的机器1的变体。• 在实验过程中监测环境条件，并保持在降雨可能性、风速、温度和水分含量等值之间变化的范围内。湿度在20- 90%之间，风速约为10km/hr，DBT在2-45 °C之间• 研究了机器操作和变化参数在机器手册中。• 估计的数据后来被转移到软件中，用于进一步计算机器的生产率4. 结果和讨论强烈的工业噪音、恶劣的环境条件和不适当的照明分布是可能影响员工工作绩效和健康的关键因素。此外，这最终导致制造生产率、功率使用和设备性能的大幅下降。剩余数据的可用性有助于开发智能模型，该智能模型可以描述消耗行为、预测系统的氘化、过度的电力使用，最终基于通过优化系统内的主要因素而实现的响应来建议可行的监测系统。这些可行的模型的实施导致大规模生产过程的质量提高。本节强调了在估计工业设备的机器生产率时列举预测性维护的重要性的重要性。环境参数以最高精度获得，并基于一组参数，如方向、浓度、热透明度、热跨度和范围。4.1. 干球温度（DBT）对机器产量的影响干球温度（DBT）或环境温度是影响机器产量的主要参数之一，可以利用上述关系式进行校正。通常，高温会对机器产量造成障碍，可能导致工具温度升高，最终磨损更快。相反，冷空气气流的存在会使 刀具温度较低，延长了机床寿命。因此，空气通风的存在带来了减轻刀具磨损性能缓解应力 在刀具切削点上。两台机器之间的关系可以 用图来理解。3和图下面提供4个;见图4。 带DBT的机器2的变体。图五. 机器1的相对湿度变化。4.2. 相对湿度（RH）对机器产量的影响借助ANFIS装置监测机器性能时，相对湿度的变化对机器产量起着至关重要的作用。环境空气中高水分含量的存在由于水滴形成而导致更快的工具磨损。此外，在刀具几何形状经常扭曲的表面上形成一层水分。这些固有的液滴会降低机器产量，可以通过保持加工区域的湿度水平来消除或避免。机器成品率与相对湿度的关系可从图中看出。图5和图6示出了图1和图2中的一个实施例;4.3. 风速（WS）对机器产量在工具温度估计中，正风牵引是测量屈强比的一个重要参数。在高风速下，加工变得稳定，因为更快的热去除速率最终降低了刀具磨损。虽然在分析中取平均值，但这仍然可能需要工具在测量方向上保持位置笔直M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176182见图6。 机器2与RH的变化。表4图8.第八条。带 WS的机器2的变 体。比较各种关系函数的ANFIS建模的误差百分比结果关系函数M/c 1-误差%M/c 2-误差%三角形0.00005 0.00003梯形0.01225立方0.00006 0.00007高斯1 0.00009 0.00024高斯2 0.00008 0.00308多项式0.00902 0.01699广义贝尔0.00048 0.00286S形0.00048 0.00286图7.第一次会议。 带WS的机器1的变体。风力机器屈服常数与WS的关系可以通过图来理解。7和图 8、下面介绍4.4. 人工智能预测性维护（ANFIS）本研究应用ANFIS预测方法，分析机器良率与DBT、WS、RH等气候条件之间的逻辑关系。在不同的气候条件下，获得了多种加工条件下的实验结果假设的输入特征有助于解释一组广泛的事实，这些事实产生了涉及时间、功、能量和燃料的大量实验结果。学习建议实施人工智能方法（ANFIS），以最小的数据输入不准确性（包括有限的数据输入）实现实用和可靠的响应预测。通过RSM产生的给定数据的训练和验证使用Sugeno型模糊推理结构进行调查，该结构主要作用于一种博学的方法，该方法采用回归调查建模和反向传播的梯度下降法。支持基于ARM的融合，以提高为测试机产量开发的结构的大量功能性。对于mer的研究表明，ANFIS架构的有效性，包括3个训练数据输入和4个阶段，可有效地应用于定义明确的复杂技术情况。对于每个响应函数，分别为三个ANFIS训练输入数据函数开发了FIS（模糊接口系统）。当将实验约束与基本因素结合时，在系统内部创建了被认为合适的网络拓扑的大约27条规则。为机器1和机器2建立的常量规则如图9和图9所示。 10个。在模糊接口系统（FIS）建模过程中，提供的关于ANFIS模糊算法的声明与Sugeno框架相一致，Sugeno框架基于输入数据集产生的当前因素建立其参数。这使得更容易绘制输入-输出反应与所有气候条件（热和冷）之间的关联，如图11-16所示，显示了环境参数和机器产量之间的各种曲线。在ANFIS建模中训练和测试数据集后，评价了Sugeno中创建的每个算法和网络拓扑的平均方差。对于不同类型的隶属函数，实现误差百分比，以便考虑其中的最佳工作模型，如表4所示。 在三角形隶属函数的情况下，两台机器的产量达到最小误差。不同隶属函数的所有错误百分比显示在表4以黄色突出显示最小错误率使用AN-FIS方法，预测的可靠值与用于训练和测试所有响应参数的先前理论生成数据集相似[20ANFIS模型理解后检验的预测值M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176183图9.第九条。 在ANFIS模型中为机器1开发的规则。图10个。 在ANFIS模型中为机器2开发的规则。见图11。 机器1 vs DBT vs RH。见图12。 机器2 vs DBT vs RH。M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176184图13岁 机器1 vs WS vs RH。图十四岁 机器2 vs WS vs RH。图15. 机器1 vs DBT vs WS。图16. Machine 2 vs DBT vsWS。关系，并显示了所提出的公式的验证，因为获得的值与公式中获得的值非常接近4.5. 响应面法响应面是一套预测数学工具，用于模拟和控制挑战，以优化受许多变量影响的反应。本文采用响应面法对系统进行仿真、控制和优化。已使用反应面回归[23加工实验使用两台机器完成和等效的DBT，WS和RH被用作输入响应。此外，环境因子的贡献不仅是一个复杂的过程，而且具有一定程度的不确定性，涉及变量之间的非线性关系，二阶模型被识别来说明输入参数和结果之间的关系。该方程建立了各种环境参数与机器产量之间的关系。M/C-1 =1.236 - 0.01036 DBT-0.047 WS-0.00347 RH +0.000094DBT-0.01002 WS-0.000074 RH- 0.00042 DBT-0.000117DBT-0.00156WS-0.00156RHM/C-2 =1.535 - 0.0395 DBT + 0.003 WS - 0.0075 RH +0.000320DBT DBT- 零 点 零五一WS公司简介-0.000010RHRH-0.00030 DBT相对湿度+0.000159 DBT相对湿度+0.00091相对湿度本研究的必要性是将其资本化，使其价值接近1。第一组图是图17中显示的机器1的图，其本质上是通过响应曲面方法获得的模拟结果的分辨率。上图中的数学模型主要预测生产率比率非常接近所需的理想值。随后显示最小错误率。同时，图18显示了在机器2的情况下建立的误差率，并且还包括这些模拟结果的产率，由于误差值在图18中紧密对齐，因此这些仿真结果的产率也相当低。直方图的中心部分是一个有利的特征[265. 结论机器故障和轻微的生产工厂延迟可能导致任何公司的重大财务损失。不同类别设备的效率退化原型以及具有不同人-机-环境要素的M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176185图十七岁采 用 响应面方法的1号机成品率模拟结果。图十八岁使 用 响 应 面 方 法 模拟2号机产量的结果。M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176186可以根据设备折旧量和各种基于环境的参数的数据挖掘来构建。可以通过评估各种维护计划的效率、相关费用、资源等来确定理想的恢复方案。等待下一个即将到来的作业时静止不动的操作工具附录1S.No.DBT（°C）风速(km/小时）相对湿度（%）屈强比M/C-1 M/C-2从制造操作的角度来看消耗相当多的能量。如果机床是固定的，则引入机器孵化系统将有助于最大限度地减少电力使用。本研究探讨了建筑结构中机器监测在各种环境条件下（如DBT、WS和RH）的潜力。得到了实验响应，并与计算结果进行了比较。在不同的环境条件组合下产生单独的实验结果成为一项繁琐的工作[29，30]。尽管如此，目前的工作探索并确认了机器性能的卓越预测准确性，方法是将环境变化纳入准确数据。 此外，ANFIS-RSM的集成方法产生了最好的可能的输出更接近实验值。研究的主要成果如下：• 为了减少机械加工和工具的能源需求，这些工具多年来一直在退化，其中几个参数是造成任何建筑物退化的原因。• 本研究是为了评估通过机器元件，如工具的热损失。对这些元件进行适当修改可能会降低能量传递并延长工具的整体寿命。• 因此，这项研究有助于我们在针指出的确切位置的离散和进一步即兴和解决问题，通过修改或完全更换的机器元件。• 目前的研究将有助于未来的审计师在不同的环境条件下，以成本效益的方式提前预测和评估刀具磨损，从而提高工业设置的可持续性和能源效率。许多技术可能在减少能源使用方面取得成功，包括关闭电灯、拔掉电器插头、优化机器上的工具以及限制加热、制冷和空调（HVAC）设置所消耗的电力。应用HVAC与AI集成的结果是在工作场所保持一个愉快的设置。这将最终导致通过将制造空间中的实际和预测条件相关联来有效地监测车间热条件。此外，可以实现存储在大数据中的动态天气测量，其准备实际预测数据之间的比较分析，以减少总体电力使用。人工智能技术应用于加强数据处理系统内的制造周期及耗电参数，最终为产品开发发现节能方案。6. 限制和未来范围这种整合研究的主要限制是在各种气候条件下需要大量的数据集。虽然AN-FIS模型可以方便任何数量的输入，但其准确性水平随着输入数量超过九（9）的增加而不断下降。 在未来，研究人员可以采用更广泛的数据集，为世界各地的各种气候，使用户可以选择他们所需要的模型的基础上，他们的国家的气候。这将消除各种工业设置中的不确定性，为建筑物中的机器提供舒适的环境条件。111.98 7.38 87.47 0.66 0.8413.19 7.02 85.44 0.68 0.81316.52 6.66 80.43 0.69 0.77417.31 6.21 67.20 0.72 0.7716.41 6.75 76.27 0.69 0.77615.99 7.47 91.73 0.65 0.7818.42 7.29 84.69819.69 7.38 88.53920.85 6.93 83.731019.74 6.84 83.091116.52 8.82 96.851218.63 6.66 79.47 0.691320.27 6.39 71.79 0.711418.89 7.47 83.63 0.65 0.731521.96 7.38 81.49 0.66 0.671622.85 7.29 76.16 0.66 0.651724.28 7.02 77.65 0.68 0.621820.74 6.84 76.691923.96 5.85 58.99 0.73 0.632021.96 5.67 57.71 0.74 0.672126.71 5.31 52.80 0.75 0.592223.38 6.12 64.852327.23 5.04 55.89 0.75 0.592429.56 4.68 47.89 0.77 0.5625.81 5.31 64.00 0.75 0.602625.81 5.58 62.51 0.73 0.632728.18 4.77 60.27 0.77 0.582825.65 6.66 77.23 0.69 0.632930.08 6.03 64.75 0.72 0.553025.76 7.38 87.25 0.663127.76 6.12 59.633231.93 5.58 54.29 0.73 0.53引用[1] J.C. Alvarado-Pérez ， D.H. 佩 卢 奥 - 奥 尔 多 涅 斯 河 Theron ， Bridging the gapbetween human knowledge and machine learning ， ADCAIJ ： Adv. 分 布 量Comput. 第内特尔J.4（1）（2015）54[2] F. Ballesteros ， La Estrategia Predictiva en el mantenimiento industrial ， GrupoÁlava，España，Predictécnico 23（2017）36-45.[3] B. Baruque，E. Corchado，A. Mata，J.M. Corchado，基于混合智能系统的溢油问题预测解决方案，Inf.Sci。180（10）（2010）2029-2043。[4] C Bai，P Dallasega，G Orzes，JSarkis，工业4.0技术评估：可持续性视角，Int.J. Prod.经济229（2020）107776。[5] J. 布龙河González Arrieta，A.Hernández Encinas，A.Queiruga Dios，纺织工业的制造过程用于织物生产的EX pert系统，ADCAIJ：Adv.分布量Comput. 第内特尔 J. 6（1）（2017）41-50.[6] C. Bai，J. Sarkis，区块链技术的供应链透明度和可持续性技术评估模型，Int. J.Prod. Res.（2020）。[7] J.M. Müller，D. Kiel，K.I.是什么推动了工业4.0的实施？可持续发展背景下的机遇和挑战的作用，可持续发展10（1）（2018）。[8] A.B. L de Sousa Jabalan，C.J.C.雅布拉角Foropon，M.Godinho Filho，当巨头们相遇时，工业4.0能否彻底改变环境可持续制造浪潮？关键成功因素的作用，技术。预报. Soc.变更132（2018）。[9] D. Ibarra，J. Ganzarain，J.I. Igartua，通过工业4.0的商业模式创新：回顾，ProcediaManuf 22（2018）。[10] M. Canizo，E. Onieva，A. Conde，S. Charramendieta，S. Trujillo，使用大数据框架 对风 力涡 轮机 进行 实时 预测 性维 护， 在： IEEE国 际预 测与 健康 管理会 议（ICPHM），2017年，pp. 70比77[11] D. Escheriro，D.Araujo，A.皮门塔山口Novais，用于表征计算机用户状态的实时分析分布量Comput. 第内特尔 J 5（4）（2016）1-18.[12] P. Chamoso，A.Rivas，J.J. Martín-Limorti，S. Rodríguez，一种基于哈希的社交网络图像匹配算法，Adv.内特尔系统Comput. 619（2018）183[13] J.L Hopkins，新兴工业4.0技术作为澳大利亚供应链创新驱动力的调查，Comput。印第安纳125（2021）103323.[14] X. Yi，F.放大图片作者：刘建，H. Jin，Building a Network Highway for BigData：Architecture and Challenges，IEEE Network 28（2014）5[15] Y. Cohen，H.Naseraldin，A.Chaudhuri等人， 工业4.0时代的装配系统：了解装配4.0的路线图，Int.J. Adv.制造技术。105（2019）4037-4054。[16] F. Shrouf，J. Ordieres湾Miragliotta，工业4.0中的智能工厂：基于物联网范式的生产中的概念和能源管理方法的回顾（IEEM），2014年12月，pp. 697-701M.塞拉伊岛Khan，M.Z. Khan等人可持续运营和计算机3（2022）176187[17] J.Lee、E.拉皮拉湾Bagheri，H. A. Kao，大数据环境下预测制造系统的最新进展和趋势，Manuf.2005，Lett. 1（1）（2013）38[18] R.施密特，M。默灵河哈尔廷角Reichstein，P. Neumaier，P. Jozinovi，Indus- try4.0-potential for creating smart products：Empirical research results，in：Proc.Int. Conf. 总线INF. Syst，2015，pp.16比27[19] G. Miragliotta，A. Perego，A.物联网：智能的现在还是智能的未来？2012年，意大利。[20] L.恰尼湾圭迪湾Patrizi，D. Galar，高速列车HVAC故障检测的基于状态的维护，电子学10（1418）2021，doi：10.3390/E-tronics 10121418。[21] M. Elsisi，M. Q. Tran，K. Mahmoud，M. Lehtonen，M.M.F. Darwish，基于深度学习的工业4.0和物联网对智能建筑的有效能源管理，传感器21（2021）1038，doi：10.3390/s21041038。[22] S. Kara，G. Bogdanski，W. LI，J. Hesselbach，C. Herrmann，制造系统中的电力计量监控，载于：第18届CIRP生命周期工程国际会议论文