توقفات ناگهانی تجهیزات کلیدی در صنایع تولیدی سیمان میتواند موجب کاهش تولید، افزایش هزینههای تعمیراتی و اختلال در برنامهریزی عملیات شود. کوره دوار به عنوان یکی از مهمترین و بحرانیترین تجهیزات در صنعت سیمان، نیازمند پایش مستمر عملکرد و نیز برنامهریزی مناسب فعالیتهای نگهداری و تعمیرات است. هدف این پژوهش، ارائه رویکردی مبتنی بر یادگیری ماشین برای پیشبینی عمر باقیمانده تا خرابی کوره دوار و فراهمکردن امکان صدور هشدارهای نگهداری پیش از وقوع خرابی است. در این راستا، متغیرهای عملیاتی مؤثر شامل دمای پوسته، دمای یاتاقان، ارتعاش، بار موتور، سرعت دوران بررسی و پس از آمادهسازی، برای آموزش و ارزیابی الگوریتم یادگیری ماشین استفاده شدند. نتایج ارزیابی مدل نشان داد که مقادیر پیشبینیشده هماهنگی مناسبی با مقادیر واقعی متغیر هدف دارند. همچنین، نمودار اهمیت متغیرها نیز نقش متفاوت هر یک از متغیرهای عملیاتی را در عملکرد و وضعیت کوره مشخص کرد. تحلیل چرخههای عملیاتی و نواحی هشدار نشان داد که مدل میتواند پیش از رسیدن تجهیز به شرایط بحرانی، زمان مناسبی برای انجام اقدامات نگهداری فراهم کند و باعث کاهش توقفهای پیشبینینشده کوره در صنعت سیمان گردد.
