قمت بتنفيذ مشروع Machine Learning للتنبؤ بدرجة حرارة Rotor Bearing في توربينات الرياح باستخدام بيانات حساسات تشغيلية وبيئية من IEEE Competition، بهدف دعم الصيانة التنبؤية Predictive Maintenance وتقليل الأعطال وتكاليف الصيانة.

اعتمد المشروع على بيانات تحتوي على حوالي 600,000 صف و17 عمود، وتشمل سرعة الرياح، القدرة الناتجة، درجة الحرارة المحيطة، سرعة المولد، ودرجات حرارة أجزاء مختلفة داخل التوربين.

قمت بتنظيف البيانات ومعالجة القيم المفقودة، ثم تحليل البيانات وتنفيذ Feature Engineering لاستخراج خصائص زمنية مثل الساعة واليوم والشهر والموسم، وبعد ذلك تم تدريب نموذج XGBoost Regressor للتنبؤ بدرجة الحرارة.

حقق النموذج أداء قويًا، حيث وصلت قيمة MAE إلى 0.21 و R² Score إلى 98.2%.

الأدوات المستخدمة:
Python، Pandas، NumPy، Scikit-learn، XGBoost، Matplotlib، Seaborn، Jupyter Notebook.