Predictive Maintenance of Power Plants in Libya Using Machine Learning Algorithms
DOI:
https://doi.org/10.65405/.v10i37.585الكلمات المفتاحية:
الصيانة التنبؤية، تعلم الآلة، الغابة العشوائية.الملخص
ضمان موثوقية وكفاءة محطات الطاقة في ليبيا يتطلب استراتيجيات متقدمة للصيانة التنبؤية. غالباً ما تفشل الأساليب التقليدية (التفاعلية والوقائية) في منع التوقف غير المخطط له وعدم الكفاءة في أنظمة الطاقة الحديثة. تطبق هذه الدراسة تقنيات تعلم الآلة (ML)، بما في ذلك خوارزمية أقرب الجيران (K-Nearest Neighbors - KNN)، وآلات الدعم الناقل (Support Vector Machines - SVM)، والغابة العشوائية (Random Forest)، على بيانات المستشعرات والبيانات التشغيلية التاريخية للتنبؤ بمتطلبات الصيانة. أظهرت التقييمات المقارنة أن خوارزمية الغابة العشوائية (Random Forest) تحقق دقة متفوقة بلغت %100 وقوة عالية، بينما حققت خوارزمية SVM دقة مرتفعة بلغت %93.7 ولكنها أظهرت بعض القصور الطفيف في التمييز بين الحالات التشغيلية الطبيعية وغير الطبيعية. تشير النتائج إلى أن الصيانة التنبؤية المعتمدة على تقنيات تعلم الآلة يمكن أن تقلل بشكل كبير من أوقات التوقف غير المتوقعة، وتحسن الكفاءة التشغيلية، وتساعد في تحسين تخطيط الصيانة، مما يوفر بديلاً قائمًا على البيانات مقارنة بالأساليب التقليدية.
التنزيلات
المراجع
[1] Abdul Amir, A. H., & Nemer, Z. N. (2025). Deep learning-based Siamese neural network for masked face recognition. Journal of Information Systems Engineering and Management, 10(50s), 867-882. doi:https://doi.org/10.52783/jisem.v10i50s.10403
[2] Ade, M., & Sheriffdeen, K. (2024). Predicting real estate trends: A comparative study of XGBoost, random forest, and linear regression in home price forecasting.
[3] Albia, B. M., & Ibrahim, J. (2025). Al Sabiya Steam Power Plant in Kuwait Dataset. Retrieved from Kaggle: https://www.kaggle.com/datasets/ghazwanhani/al-sabiya-steam-power-plant-in-kuwait
[4] Alburshaid, E. A., & Al-Alawi, A. I. (2024). Forecasting Methods for the Real Estate Market: A Review. In 2024 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems (ICETSIS) (pp. 472-477). IEEE. Retrieved from https://www.researchgate.net/publication/376033071
[5] Bouaziz, B., Cherif, M., & Bacha, F. (2025). Optimal Predictive Maintenance Scheduling for Photovoltaic Systems Using Weather Features and Hybrid Machine Learning: A Case Study of the 10 MW Tozeur PV Power Plant.
[6] Grace, A. (2025). Improving Real Estate Credit Risk Forecasting with Genetic Algorithm-Based Support Vector Machines. Retrieved from https://www.researchgate.net/publication/389992146
[7] Hu, Q. (2025). Forecasting Real Estate Price via Support Vector Machine. Advances in Economics, Management and Political Sciences, 147, 220-227. doi:https://doi.org/10.54254/2754-1169/147/2024.GA19624
[8] Hussien, G. H., & Nemer, Z. N. (2025). A Comprehensive Review of Advances in Tongue Image Classification Techniques for Diabetes Identification. Iraqi Journal of Intelligent Computing and Informatics (IJICI), 4(1), 33-56. doi:https://doi.org/10.52940/ijici.v4i1.90
[9] Khamfoy, P., Klomwises, Y., & Srianomai, S. (2025). Energy Consumption Prediction and Anomaly Detection for Boiler Feed Pump in Power Plant Using Machine Learning and Deep Learning. Engineering and Technology Horizons, 42(2), 420205-420205. doi:https://doi.org/10.55003/ETH.420205
[10] Khvostov, V., Ásgeirsson, Á. G., & Kristjánsson, Á. (2025). Explicit access to detailed representations of feature distributions. Psychonomic Bulletin & Review, 1-10. doi:https://doi.org/10.3758/s13423-025-02716-3
[11] Kusumaningrum, D., Kurniati, N., & Santosa, B. (2021). Machine learning for predictive maintenance. In Proceedings of the international conference on industrial engineering and operations management, 202, No. 1. doi:https://doi.org/10.4172/0976-4860.1000149
[12] Lidya, N. L., Arif, A. M., & Dini, A. Y. (2025). A new triple-weighted K-nearest neighbor algorithm for tomato maturity classification. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 9(4), 955-962. doi:https://doi.org/10.29207/resti.v9i4.6441
[13] Marangis, D., Livera, A., Tziolis, G., Makrides, G., Kyprianou, A., & Georghiou, G. E. (2024). Trend‐Based Predictive Maintenance and Fault Detection Analytics for Photovoltaic Power Plants. Solar RRL, 8(24). doi:2400473
[14] Meribout, M., Saied, I., & Al Hosani, E. (2018). Advances in steam quality monitoring systems in power plants. Cyber-Physical Systems for Next-Generation Networks, 183-206. doi:https://doi.org/10.4018/978-1-5225-5510-0.ch009
[15] Mitchell, A., Patel, R., Zhang, Z., Chen, I., Walker, E., & Evans, L. (2025). AI-Based Price Forecasting for Real Estate: Trends and Challenges. doi:https://doi.org/10.13140/RG.2.2.10623.11688
[16] Rasyid, M. A., Sukmono, T., & Jakaria, R. B. (2024). Predictive Maintenance on Dry 8 Production Machine Line Using Support Vector Machine (SVM). Universitas Muhammadiyah Sidoarjo, Jul. Retrieved from www.kaggle.com
[17] Ullah, K., Hayat, H., Jhatial, S., & Yousuf, K. (2025). Enhancing Real Estate Price Forecasting Using Advanced Machine Learning Algorithms: An Empirical Evaluation with Real Market Data. Indus Journal of Social Sciences, 3(2), 733-747. Retrieved from https://induspublishers.com/IJSS/about](https://induspublishers.com/IJSS/about
[18] Umar, M. (2024). Correlation and Regression Analysis for Morphological Traits of Coriander. Journal of Physical, Biomedical and Biological Sciences, 2024(1), 22-22. Retrieved from https://www.researchgate.net/publication/395454646
[19] Xu, T., Zhao, Y., & Yu, J. (2025). A Real Estate Price Index Forecasting Scheme Based on Online News Sentiment Analysis. Systems, 13(1). doi:https://doi.org/10.3390/systems13010042
التنزيلات
منشور
إصدار
القسم
الرخصة
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
