ﻣﺠﯿﺪ ﻫﺎدي، ﮐﺎرﺷﻨﺎس داﺧﻠﯽﺳﺎزي، اداره ﻧﺖ، ﺷﺮﮐﺖ ﮐﻮﯾﺮﺗﺎﯾﺮ

ﭼﮑﯿﺪه: 

ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪﻋﻨﻮان ﯾﮑﯽ از ﻓﻨﺎوريﻫﺎي ﭘﯿﺸﺮﻓﺘﻪ در ﺻﻨﻌﺖ ﺗﺎﯾﺮ ﻧﻘﺶ ﻣﻬﻤﯽ را اﯾﻔﺎ ﻣﯽﮐﻨﺪ. ﺑﺎﺗﻮﺟﻪ ﺑﻪ ﭘﯿﭽﯿﺪﮔﯽ و ﺣﺠﻢ ﺑﺎﻻي دادهﻫﺎي ﺗﻮﻟﯿﺪ ﺷﺪه در اﯾﻦ ﺻﻨﻌﺖ، اﺳﺘﻔﺎده از ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪﻣﻨﻈﻮر ﺑﻬﺒﻮد ﮐﺎراﯾﯽ و ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ ﺑﺴﯿﺎر ﺣﺎﺋﺰ اﻫﻤﯿﺖ اﺳﺖ. ﯾﮑﯽ از ﮐﺎرﺑﺮدﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺻﻨﻌﺖ ﺗﺎﯾﺮ، ﭘﯿﺶﺑﯿﻨﯽ و ﺗﺤﻠﯿﻞ دادهﻫﺎ اﺳﺖ. ﺑﺎ ﮐﻤﮏ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﻣﺪلﺳﺎزي و ﭘﺮدازش دادهﻫﺎ ﻣﯽﺗﻮان ﻋﻤﻠﮑﺮدﻫﺎ را ﺑﻬﺒﻮد ﺑﺨﺸﯿﺪ و ﺧﻄﺎﻫﺎ و ﻋﯿﻮب را ﮐﺎﻫﺶ داد. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر، در اﯾﻦ ﭘﮋوﻫﺶ، ﻣﻮﺿﻮع ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ در ﭘﺮسﻫﺎي ﭘﺨﺖ ﻣﻮرد ﺑﺮرﺳﯽ و ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. ﺑﺎ ﺗﺤﻠﯿﻞ دادهﻫﺎي ﺳﻪ ﺳﺎل ﮔﺬﺷﺘﻪ، ﻣﯽﺗﻮان درﯾﺎﻓﺖ ﮐﻪ ﻋﻤﺪهﺗﺮﯾﻦ ﻋﯿﺒﯽ ﮐﻪ ﺑﺮاي ﭘﺮسﻫﺎي ﭘﺨﺖ رخ ﻣﯽدﻫﺪ، ﻋﯿﺐ روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن اﺳﺖ ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ ﺿﺎﯾﻌﺎت ﻣﯽﮔﺮدد. ﺑﻨﺎﺑﺮاﯾﻦ، ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺣﺎﻓﻈﻪي ﮐﻮﺗﺎهﻣﺪت ﻃﻮﻻﻧﯽ (LSTM) ﺟﻬﺖ ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ ﭘﯿﺸﻨﻬﺎد ﻣﯽﮔﺮدد. ﺑﺎ ﭘﯿﺎدهﺳﺎزي ﺷﺒﮑﻪ در ﭘﺎﯾﺘﻮن، ﻧﺘﺎﯾﺞ ﻋﻤﻠﮑﺮد ﺷﺒﮑﻪ ﭘﯿﺸﻨﻬﺎدي را در ﺟﻬﺖ ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ ﺗﺄﯾﯿﺪ ﻣﯽﮐﻨﺪ.

واژه ﻫﺎي ﮐﻠﯿﺪي:ﻫﻮش ﻣﺼﻨﻮﻋﯽ، ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ، ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ LSTM

ﻣﺤﻮر ﻣﻘﺎﻟﻪ: ﻫﻮﺷﻤﻨﺪﺳﺎزي، ﻧﮕﻬﺪاري و ﺗﻌﻤﯿﺮات، ﮐﺎﻫﺶ ﺿﺎﯾﻌﺎت

1- ﻣﻘﺪﻣﻪ

ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪﻋﻨﻮان ﯾﮑﯽ از ﭘﯿﺸﺮﻓﺘﻪﺗﺮﯾﻦ ﻓﻨﺎوريﻫﺎي دﻫﻪ اﺧﯿﺮ، ﺗﻮاﻧﺴﺘﻪ اﺳﺖ ﺑﻪﻃﻮر ﭼﺸﻤﮕﯿﺮي در ﺻﻨﺎﯾﻊ ﻣﺨﺘﻠﻒ ﺗﺎﺛﯿﺮﮔﺬار ﺑﺎﺷﺪ. ﺑﺎ اﺳﺘﻔﺎده از اﻟﮕﻮرﯾﺘﻢﻫﺎ و ﻣﺪلﻫﺎي ﭘﯿﭽﯿﺪه، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻗﺎدر اﺳﺖ ﺑﻪﻃﻮر ﺧﻮدﮐﺎر و ﻫﻮﺷﻤﻨﺪاﻧﻪ وﻇﺎﯾﻒ و ﻓﻌﺎﻟﯿﺖﻫﺎي ﻣﺨﺘﻠﻒ را اﻧﺠﺎم داده و ﺗﺼﻤﯿﻤﺎت ﺑﺮاﺳﺎس دادهﻫﺎ را ﺑﮕﯿﺮد [1]. در ﺻﻨﻌﺖ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪﻋﻨﻮان ﯾﮏ اﺑﺰار ﻗﺪرﺗﻤﻨﺪ در ﺑﻬﺒﻮد ﮐﺎراﯾﯽ، ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪﻫﺎ و اﻓﺰاﯾﺶ ﺳﻄﺢ ﮐﯿﻔﯿﺖ ﺧﺪﻣﺎت ﺧﺪﻣﺎت اﺳﺘﻔﺎده ﻣﯽﺷﻮد. ﺑﺎ ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ دﻗﯿﻖ دادهﻫﺎ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﺎ ﮐﻤﮏ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﯾﻠﺪﮔﯿﺮي ﻣﺎﺷﯿﻦ ﻣﯽﺗﻮاﻧﺪ ﻣﺪلﻫﺎي ﺑﻬﯿﻨﻪ را ﭘﯿﺶﺑﯿﻨﯽ ﮐﺮده و ﻓﺮآﯾﻨﺪﻫﺎي ﺗﻮﻟﯿﺪ را ﺑﻬﺒﻮد ﺑﺨﺸﺪ. ﻋﻼوه ﺑﺮ اﯾﻦ، ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ، ﻣﯽﺗﻮان ﺑﺪون دﺧﺎﻟﺖ اﻧﺴﺎن، ﺧﻄﺎﻫﺎ و ﻣﺸﮑﻼت ﻓﻨﯽ را ﺗﺸﺨﯿﺺ داد ﯾﺎ ﭘﯿﺶﺑﯿﻨﯽ ﮐﺮد و ﻫﺰﯾﻨﻪﻫﺎي ﺗﻌﻤﯿﺮات و زﻣﺎن اﻧﺠﺎم ﮐﺎر را ﮐﺎﻫﺶ داد [2].

در ﺳﺎلﻫﺎي اﺧﯿﺮ، ﺻﻨﺎﯾﻊ ﻣﺨﺘﻠﻒ از ﺟﻤﻠﻪ ﺧﻮدروﺳﺎزي، اﻟﮑﺘﺮوﻧﯿﮏ، ﭘﺰﺷﮑﯽ، ﺣﻤﻞوﻧﻘﻞ، ﺗﺎﯾﺮﺳﺎزي و… ﺑﺎ ﮐﻤﮏ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﻮاﻧﺴﺘﻪاﻧﺪ ﺑﻬﺮهوري را ﺑﻬﺒﻮد ﺑﺨﺸﻨﺪ. ﺑﺮاي ﻣﺜﺎل، در ﺻﻨﻌﺖ ﺧﻮدروﺳﺎزي، ﺑﺎ ﺗﺤﻠﯿﻞ دادهﻫﺎ و ﺑﺎ ﮐﻤﮏ از اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﺟﻬﺖ ﮐﺎﻫﺶ ﺧﻄﺎ در ﻓﺮآﯾﻨﺪ ﺗﻮﻟﯿﺪ و ﺑﻬﺒﻮد ﮐﺎرﮐﺮد ﺧﻮدروﻫﺎ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ [3]. ﻫﻤﭽﻨﯿﻦ، در ﺻﻨﻌﺖ اﻟﮑﺘﺮوﻧﯿﮏ، ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺑﻪ ﻣﻨﻈﻮر ﻃﺮاﺣﯽ و ﺗﻮﻟﯿﺪ دﺳﺘﮕﺎهﻫﺎي ﻫﻮﺷﻤﻨﺪ و ارﺗﺒﺎﻃﺎت ﺑﯿﻦ دﺳﺘﮕﺎهﻫﺎ اﺳﺘﻔﺎده ﻣﯽﺷﻮد. در ﺻﻨﻌﺖ ﭘﺰﺷﮑﯽ، از آﻧﺠﺎﯾﯽ ﮐﻪ دادهﻫﺎي ﻓﺮاواﻧﯽ از ﺑﯿﻤﺎري وﺟﻮد دارد، از اﻟﮕﻮرﯾﺘﻢﻫﺎي ﻫﻮﺷﻤﻨﺪ در ﺟﻬﺖ ﺗﺸﺨﯿﺺ ﺗﺸﺨﯿﺺ ﺑﯿﻤﺎري، ﭘﯿﺸﮕﯿﺮي از ﺑﺮوز ﺑﯿﻤﺎري و ﺣﺘﯽ درﻣﺎن ﺑﺮﺧﯽ ﺑﯿﻤﺎريﻫﺎ اﺳﺘﻔﺎده ﻣﯽﺷﻮد [4]. در ﺻﻨﻌﺖ ﺗﺎﯾﺰ ﻧﯿﺰ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺗﻮاﻧﺪ ﻧﻘﺶ ﺑﺴﺰاﯾﯽ اﯾﻔﺎ ﮐﻨﺪ. ﺑﺮاي ﻣﺜﺎل، در ﺳﺎلﻫﺎي اﺧﯿﺮ، از روشﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ و ﺗﺤﻠﯿﻞ دادهﻫﺎي ﻣﻮﺟﻮد در ﺟﻬﺖ ﺗﺨﻤﯿﻦ وزن ﺑﻬﯿﻨﻪ ﺗﺎﯾﺮ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ [5].

ﯾﮑﯽ دﯾﮕﺮ از ﮐﺎرﺑﺮدﻫﺎي ﻣﻬﻢ اﻟﮕﻮرﯾﺘﻢﻫﺎي ﯾﺎدﮔﯿﺮي ﻣﺎﺷﯿﻦ در ﺻﻨﺎﯾﻊ ﻣﺨﺘﻠﻒ، ﭘﯿﺶﺑﯿﻨﯽ ﺧﻄﺎ و ﺗﺤﻠﯿﻞ دادهﻫﺎ اﺳﺖ ﮐﻪ ﻣﯽﺗﻮاﻧﺪ ﺑﻬﺒﻮد ﮐﺎراﯾﯽ و ﮐﺎﻫﺶ ﻫﺰﯾﻨﻪ را در ﭘﯽ داﺷﺘﻪ ﺑﺎﺷﺪ. ازاﯾﻦرو، در اﯾﻦ ﭘﮋوﻫﺶ، ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ ﺑﺮاي ﭘﺮسﻫﺎي ﭘﺨﺖ اﻧﺠﺎم ﺷﺪه اﺳﺖ. ﺑﺮاﺳﺎس ﺗﺤﻠﯿﻞ دادهﻫﺎي ﻣﻮﺟﻮد ﺳﻪ ﺳﺎل ﮔﺬﺷﺘﻪ از ﭘﺮسﻫﺎي ﻣﺨﺘﻠﻒ، ﯾﮑﯽ از ﻋﻤﺪه ﺧﻄﺎﻫﺎﯾﯽ ﮐﻪ در ﭘﺮسﻫﺎ رخ ﻣﯽدﻫﺪ و ﻣﻨﺠﺮ ﺑﻪ اﺳﮑﺮپ و ﺿﺎﯾﻌﺎت ﻣﺤﺼﻮل ﻣﯽﺷﻮد، ﻋﯿﺐ روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن اﺳﺖ. ﺑﻨﺎﺑﺮاﯾﻦ، ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺣﺎﻓﻈﻪي ﮐﻮﺗﺎهﻣﺪت ﻃﻮﻻﻧﯽ (LSTM) ﺟﻬﺖ ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ ﻣﺬﮐﻮر در ﭘﺮسﻫﺎي ﭘﺨﺖ و ﺑﺮاﺳﺎس داده ﻫﺎي ﺳﻪ ﺳﺎل ﮔﺬﺷﺘﻪ آنﻫﺎ، ﭘﯿﺸﻨﻬﺎد ﺷﺪه اﺳﺖ. اﯾﻦ ﺷﺒﮑﻪ اﯾﻦ اﻣﮑﺎن را ﺑﺮاي ﻧﯿﺮوﻫﺎي ﻓﻨﯽ ﻓﺮاﻫﻢ ﻣﯽﮐﻨﺪ ﮐﻪ ﻗﺒﻞ از رخ دادن ﻋﯿﺐ و ﻣﻨﺠﺮ ﺷﺪن آن ﺑﻪ ﺿﺎﯾﻌﺎت ﻣﺤﺼﻮل، اﻗﺪاﻣﺎت ﻻزم را اﺗﺨﺎذ ﻧﻤﺎﯾﻨﺪ.

2- ﺑﺨﺶ ﺗﺠﺮﺑﯽ

در اﯾﻦ ﭘﮋوﻫﺶ، ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ ﺑﺮاي ﭘﺮسﻫﺎي ﭘﺨﺖ ﻣﻮرد ﺑﺮرﺳﯽ و ﻣﻄﺎﻟﻌﻪ ﻗﺮار ﻣﯽﮔﯿﺮد. ﯾﮑﯽ از ﻣﻬﻢﺗﺮﯾﻦ ﻋﯿﺐﻫﺎﯾﯽ ﮐﻪ ﺑﺮاي ﭘﺮسﻫﺎ رخ ﻣﯽدﻫﺪ و ﻣﻨﺠﺮ ﺑﻪ اﺳﮑﺮپ و ﺿﺎﯾﻌﺎت ﻣﺤﺼﻮل و ﻣﻮاد اوﻟﯿﻪ ﻣﯽﺷﻮد، ﻋﯿﺐ روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن اﺳﺖ. از اﯾﻦرو، اراﺋﻪ راﻫﮑﺎري در ﺟﻬﺖ ﭘﯿﺶﺑﯿﻨﯽ اﯾﻦ ﻋﯿﺐ و ﺳﭙﺲ اﻧﺠﺎم اﻗﺪاﻣﺎت ﭘﯿﺸﮕﯿﺮاﻧﻪ ﻣﯽﺗﻮاﻧﺪ ﮐﺎﻫﺶ ﺿﺎﯾﻌﺎت را در ﭘﯽ داﺷﺘﻪ ﺑﺎﺷﺪ. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر، ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ LSTM ﺟﻬﺖ ﭘﯿﺶﺑﯿﻨﯽ ﭘﯿﺸﻨﻬﺎد ﻣﯽﮔﺮدد. ﺑﻪﻣﻨﻈﻮر ﺗﺸﺮﯾﺢ ﺷﺒﮑﻪ ﭘﯿﺸﻨﻬﺎدي، ﮔﺎمﻫﺎي زﯾﺮ ﻣﯽﺑﺎﯾﺴﺖ دﻧﺒﺎل ﺷﻮد:

• ﺗﻬﯿﻪ ﻣﺠﻤﻮﻋﻪ داده: ﺑﺎ ﺗﺤﻠﯿﻞ دادهﻫﺎي ﺳﻪ ﺳﺎل ﮔﺬﺷﺘﻪ از ﭘﺮسﻫﺎي ﭘﺨﺖ ﻣﻮﺟﻮد در ﺷﺮﮐﺖ، دادهﻫﺎي ﻣﺮﺗﺒﻂ ﺑﺎ ﺧﻄﺎي روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن ﭘﺮسﻫﺎي ﻣﺨﺘﻠﻒ (در اﯾﻦ ﻣﻄﺎﻟﻌﻪ 63 ﭘﺮس ﭘﺨﺖ) ﮐﻪ ﻣﻨﺠﺮ ﺑﻪ اﺳﮑﺮپ و ﺿﺎﯾﻌﺎت ﺷﺪه ﺑﻪ ﻫﻤﺮاه ﺷﻤﺎره ﭘﺮس ﺟﺪا ﺷﺪه اﺳﺖ.

ﻫﺮ ردﯾﻒ داده ﯾﮏ روز را ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ ﺷﺎﻣﻞ ﺷﻤﺎره ﭘﺮسﻫﺎي داراي ﻋﯿﺐ ﻣﺬﮐﻮر اﺳﺖ. ﺑﻪ ﻣﻨﻈﻮر درك ﺑﻬﺘﺮ و آﻣﻮزش ﺑﻬﺘﺮ ﺷﺒﮑﻪ،  دادهﻫﺎي ﻫﺮ ردﯾﻒ ﺑﻪ 63 ﻋﺪد ﺗﺒﺪﯾﻞ ﺷﺪه اﺳﺖ ﮐﻪ در ﺳﺘﻮن ﻣﺮﺑﻮط ﺑﺎ ﻫﺮ ﭘﺮس داراي ﻋﯿﺐ ﯾﮏ ﻣﻘﺪار ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. 

• ﻃﺮاﺣﯽ ﺷﺒﮑﻪ LSTM: ﺑﺎﺗﻮﺟﻪ ﺑﻪ اﯾﻨﮑﻪ دادهﻫﺎي ﻋﯿﺐ ﻣﺬﮐﻮر ﺑﺮاﺳﺎس ﺳﺮيﻫﺎي زﻣﺎﻧﯽ ﻫﺴﺘﻨﺪ، ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ LSTM ﺑﺎ ﺳﻪ ﻻﯾﻪ LSTM ﺟﻬﺖ ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ در ﭘﺮسﻫﺎي ﭘﺨﺖ اراﺋﻪ ﺷﺪه اﺳﺖ. ﺑﻌﺪ از ﻫﺮ ﻻﯾﻪ LSTM ﯾﮏ ﻻﯾﻪ dropout ﺟﻬﺖ ﺟﻠﻮﮔﯿﺮي از over-fitting ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻟﺤﺎظ ﺷﺪه اﺳﺖ. ﺳﭙﺲ، وﯾﮋﮔﯽﻫﺎي اﺳﺘﺨﺮاجﺷﺪه ﺗﻮﺳﻂ ﺷﺒﮑﻪ LSTM ﺟﻬﺖ ﺗﺨﻤﯿﻦ و ﭘﯿﺶﺑﯿﻨﯽ ﺑﻪ ﯾﮏ ﻻﯾﻪ dens داده ﻣﯽﺷﻮد. در ﻧﻬﺎﯾﺖ، ﺷﺒﮑﻪ اراﺋﻪﺷﺪه ﺑﺎ زﺑﺎن ﺑﺮﻧﺎﻣﻪﻧﻮﯾﺴﯽ ﭘﺎﯾﺘﻮن و در ﺑﺴﺘﺮ Google Colabو ﺑﺎ ﮐﺘﺎﺑﺨﺎﻧﻪ tensorflow ﭘﯿﺎدهﺳﺎزي و اﺟﺮا ﺷﺪه اﺳﺖ. ﺑﺮاي اﯾﻦ ﻣﻨﻈﻮر، 70 درﺻﺪ دادهﻫﺎ ﺑﺮاي آﻣﻮزش ﺷﺒﮑﻪ، 20 درﺻﺪ ﺟﻬﺖ اﻋﺘﺒﺎرﺳﻨﺠﯽ و 10 درﺻﺪ ﺑﺮاي ﺗﺴﺖ ﺷﺒﮑﻪ ﻟﺤﺎظ ﺷﺪه اﺳﺖ.
• ﻧﺘﺎﯾﺞ: در ﺷﮑﻞ 1، ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن ﺑﺮاي ﯾﮏ ﻣﺎه آﯾﻨﺪه از دادهﻫﺎي ﻣﻮرد اﺳﺘﻔﺎده ﻧﺸﺎن داده ﺷﺪه اﺳﺖ و ﺳﭙﺲ، ﺑﺎ دادهﻫﺎي واﻗﻌﯽ ﻣﻘﺎﯾﺴﻪ ﺷﺪه اﺳﺖ. ﻣﺤﻮر اﻓﻘﯽ ﺷﻤﺎره ﭘﺮسﻫﺎ و ﻣﺤﻮر ﻋﻤﻮدي رخ دادن ﻋﯿﺐ ﻣﺬﮐﻮر را ﻧﺸﺎن ﻣﯽدﻫﺪ. ﮔﺮاف ﻧﺎرﻧﺠﯽ داده واﻗﻌﯽ و ﮔﺮاف ﺳﺒﺰ ﭘﯿﺶﺑﯿﻨﯽ ﺑﺎ ﮐﻤﮏ ﺷﺒﮑﻪ ﭘﯿﺸﻨﻬﺎدي اﺳﺖ. ﻻزم ﺑﻪ ذﮐﺮ اﺳﺖ ﮐﻪ در ﺷﮑﻞ 1 ﻓﻘﻂ روزﻫﺎﯾﯽ ﮐﻪ ﻋﯿﺐ ﻣﺬﮐﻮر رخ داده اﺳﺖ ﻧﺸﺎن داده ﺷﺪه اﺳﺖ. ﺑﺮاي ﯾﮏ ﻣﺎه آﯾﻨﺪه، روزﻫﺎي دوم، ﺷﺎﻧﺰدﻫﻢ، ﻫﻔﺪﻫﻢ، ﻫﺠﺪﻫﻢ، ﻧﻮزدﻫﻢ و ﺳﯽام ﻋﯿﺐ رخ داده اﺳﺖ. در روز دوم، ﭘﺮسﻫﺎي ﺷﻤﺎره 13 و 24، روز ﺷﺎﻧﺰدﻫﻢ، ﭘﺮسﻫﺎي 55 و 61، روز ﻫﻔﺪﻫﻢ، ﭘﺮس 35، روز ﻫﺠﺪﻫﻢ ﭘﺮسﻫﺎي 26، 34 و 37، روز ﻧﻮزدﻫﻢ، ﭘﺮسﻫﺎي 42 و 50 و در ﻧﻬﺎﯾﺖ روز ﺳﯽام ﭘﺮس 31 ﺑﺮاﺳﺎس دادهﻫﺎي واﻗﻌﯽ دﭼﺎر ﺧﻄﺎي روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن ﺷﺪهاﻧﺪ. ﺑﺮاﺳﺎس ﭘﯿﺶﺑﯿﻨﯽﻫﺎي اﻧﺠﺎم ﺷﺪه ﺗﻮﺳﻂ ﺷﺒﮑﻪ ﻋﺼﺒﯽ، ﺷﺒﮑﻪ ﭘﯿﺸﻨﻬﺎدي LSTM در روز دوم، ﭘﺮسﻫﺎي 13 و 24، در روز ﺷﺎﻧﺰدﻫﻢ ﭘﺮسﻫﺎي 55 و 61، در روز ﻫﻔﺪﻫﻢ ﭘﺮس 35، روز ﻫﺠﺪﻫﻢ ﭘﺮسﻫﺎي 26، 34 و 38، روز ﻧﻮزدﻫﻢ ﭘﺮسﻫﺎي 42 و 51 و روز ﺳﯽام ﭘﺮس 31 را ﭘﯿﺶﺑﯿﻨﯽ ﮐﺮده اﺳﺖ. ﻫﻤﺎنﻃﻮر ﮐﻪ ﻧﺘﺎﯾﺞ ﻧﺸﺎن ﻣﯽدﻫﺪ، ﺷﺒﮑﻪ LSTM ﻣﯽﺗﻮاﻧﺪ ﺑﻪﺧﻮﺑﯽ و ﺑﺎ دﻗﺖ ﺑﺎﻻﯾﯽ ﭘﺮسﻫﺎي داراي ﻋﯿﺐ را در روزﻫﺎي ﻣﺨﺘﻠﻒ ﭘﯿﺶﺑﯿﻨﯽ ﮐﻨﺪ. ﺑﺮاي ﺳﺎﯾﺮ روزﻫﺎي ﻣﺎه، اﯾﻦ ﺧﻄﺎ ﺑﺮاي ﻫﯿﭻ ﭘﺮﺳﯽ رخ ﻧﺪاده اﺳﺖ ﮐﻪ ﺗﻮﺳﻂ ﺷﺒﮑﻪ LSTM ﻧﯿﺰ ﺑﻪ درﺳﺘﯽ ﭘﯿﺶﺑﯿﻨﯽ ﺷﺪه اﺳﺖ. ﺑﻪﻃﻮر ﺧﻼﺻﻪ، ﭘﯿﺶﺑﯿﻨﯽ ﺑﺮ روي 3 ﻣﺎه اﻧﺠﺎم ﺷﺪ ﮐﻪ ﺷﺒﮑﻪ ﭘﯿﺸﻨﻬﺎدي دﻗﺖ 90 درﺻﺪي را ﺑﺮاي ﭘﯿﺶﺑﯿﻨﯽ ﻋﯿﺐ روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن ﻣﯽﺗﻮاﻧﺪ ﻓﺮاﻫﻢ ﮐﻨﺪ.

ﺑﻨﺎﺑﺮاﯾﻦ، ﭘﯿﺶﺑﯿﻨﯽ ﻫﻮﺷﻤﻨﺪ ﻣﯽﺗﻮاﻧﺪ ﻧﺘﺎﯾﺞ زﯾﺮ را در ﭘﯽ داﺷﺘﻪ ﺑﺎﺷﺪ:

 اﯾﻦ اﻣﮑﺎن ﺑﺮاي ﻧﯿﺮوﻫﺎي ﻓﻨﯽ ﻓﺮاﻫﻢ ﻣﯽﺷﻮد ﺗﺎ اﻗﺪاﻣﺎت ﻻزم را در ﺟﻬﺖ رﻓﻊ ﻋﯿﺐ ﻗﺒﻞ از وﻗﻮع آن ﺑﺮاي ﭘﺮسﻫﺎي ﭘﯿﺶﺑﯿﻨﯽﺷﺪه اﻧﺠﺎم دﻫﻨﺪ.

.اﻧﺠﺎم اﻗﺪاﻣﺎت ﭘﯿﺸﮕﯿﺮاﻧﻪ در ﺟﻬﺖ رﻓﻊ ﻋﯿﺐ روي ﺗﺎﯾﻤﺮ ﻧﯿﻔﺘﺎدن ﻣﯽﺗﻮاﻧﺪ اﺳﮑﺮپ ﺷﺪن و ﺿﺎﯾﻌﺎت ﻣﺤﺼﻮل را ﮐﺎﻫﺶ دﻫﺪ.

 ﺑﺎ اﺗﺨﺎذ اﻗﺪاﻣﺎت ﻻزم ﻣﯽﺗﻮان ﻫﺰﯾﻨﻪﻫﺎي ﻧﮕﻬﺪاري و ﺗﻌﻤﯿﺮات را ﺑﺮاي ﭘﺮسﻫﺎي ﻣﺨﺘﻠﻒ و ﻫﻤﭽﻨﯿﻦ ﻫﺰﯾﻨﻪﻫﺎي ﻧﺎﺷﯽ از ﻫﺪر رﻓﺖ ﻣﻮاد اوﻟﯿﻪ را ﮐﺎﻫﺶ داد.