پیش‌بینی خرابی ماشین‌آلات صنعتی با یادگیری ماشین و تحلیل تفسیرپذیری مدل

در این پروژه، یک مدل پیش‌بینی خرابی تجهیزات صنعتی بر اساس داده‌های سنسوری طراحی و ارزیابی شد. ابتدا با بررسی توزیع گشتاور بر حسب نوع محصول و وضعیت خرابی، مشخص شد ماشین‌های دچار خرابی معمولاً گشتاور بالاتری تجربه کرده‌اند. سپس چهار مدل (LightGBM، XGBoost، Random Forest، Logistic Regression) آموزش داده شدند و با معیارهای ROC-AUC، PR-AUC و F1 مقایسه شدند؛ LightGBM بهترین عملکرد را داشت. در نهایت با تحلیل SHAP مشخص شد سرعت دورانی، میزان سایش ابزار و اختلاف دما مهم‌ترین عوامل تأثیرگذار بر پیش‌بینی خرابی هستند. این پروژه نشان‌دهنده توانایی من در تحلیل داده‌های صنعتی، مهندسی ویژگی و تفسیر نتایج برای تیم‌های نگهداری و تعمیرات است.