قمت ببناء نموذج تعلم آلي متقدم (Machine Learning) للتنبؤ المبكر بأعطال الآلات وخطوط الإنتاج (Predictive Maintenance) بناءً على بيانات هندسية حقيقية تتضمن 10,000 قراءة للحساسات. يهدف المشروع إلى تصنيف حالة الآلة (تشغيل طبيعي، تنبيه، أو عطل حرج) لمنع التوقف المفاجئ وتقليل تكاليف الصيانة في المنشآت الصناعي.

خطوات التنفيذ والأدوات:
مر المشروع بخط إنتاج متكامل (Pipeline) يبدأ من الاستكشاف الإحصائي وهندسة البيانات باستخدام Pandas و NumPy، مروراً بابتكار 7 ميزات تفاعلية جديدة للإجهاد الميكانيكي، ثم معالجة الاختلال الحاد في عينات الأعطال باستخدام تقنية SMOTE، وصولاً لتدريب نموذج تصنيف متقدم عبر مكتبة Scikit-learn وحفظه بصيغة Joblib للتشغيل الحي الفوري.

ما يميّز المشروع (النتائج الرقمية):
دقة استثنائية: حقق النموذج دقة عامة بلغت 97.10% ومعدل موازنة (F1-Score) بنسبة 97.12%.
رصد الأعطال بنسبة 99%: بفضل معدل الاستدعاء (Recall) المرتفع، يستطيع النظام اقتناص كافة الأعطال الحرجة بدقة شبه كاملة لحماية أصول المنشأة.
.