Tədqiqatda təklif olunan mühərrik istehsalı keyfiyyətinin proqnozlaşdırılması çərçivəsi, heterogen istehsal sensorlarından gələn 12.000-dən çox parametri emal edərək qüsurlu mühərriklərin təsnifatı və mühərrik performansının davamlı proqnozlaşdırılması üçün hazırlanmış, edge cihazlarda işləyə bilən birləşdirilmiş maşın öyrənməsi sistemidir. Arxitektura üç mərkəzi komponentdən istifadə edir: yüksəkölçülü və səs-küylü sensor məlumatını sıxlaşdıran Sparse Autoencoder (SAE), az sayda qüsurlu nümunəni daha effektiv aşkar etməyi hədəfləyən Class-Specific Weighted Ensemble (CSWE) və müxtəlif mühərrik iş rejimləri üçün fərqli reqressiya ekspertlərindən istifadə edən Adaptive Regime-Switching Regression (ARSR). Sistem üç ictimai məlumat dəstində və real H4 mühərrik montaj xəttində qiymətləndirilmişdir. Sənaye tətbiqində qüsur aşkarlama Recall göstəricisi %69,20-dən %76,92-yə yüksəlmiş, orta inferensiya gecikməsi 80 ± 3 ms olmuş və üç aylıq pilot dövrdə mühərrik təmiri/yenidən işləmə nisbətində %7,2 azalma bildirilmişdir. Bununla belə, %76,92 Recall müəlliflərin keyfiyyət təminatı üçün ideal hesab etdiyi >%95 hədəfindən aşağıdır; həmçinin təkmodallı cədvəl tipli sensor məlumatları mikroskopik struktur anomaliyalarını tam şəkildə aşkar edə bilmir.

Tədqiqatın əsas mühəndislik problemi avtomobil mühərriki montaj xətlərində sensor məlumatının yalnız böyük həcmli deyil, eyni zamanda fiziki baxımdan heterogen olmasıdır. Fırlanma momenti, dönmə bucağı, mühərrik dövriyyəsi, temperatur, təzyiq və sızma kimi kəmiyyətlər müxtəlif miqyaslarda ölçülür; sensorlarda elektromaqnit müdaxiləsi, çatışmayan məlumatlar, yüksək korrelyasiya və iş fazalarından asılı statistik dəyişikliklər mövcuddur. Üstəlik, qüsurlu mühərriklərin sayı normal mühərriklərin sayından xeyli azdır. Bu şərtlər ümumi dəqiqliyi yüksək, lakin real qüsurların mühüm hissəsini qaçıran modellər yarada bilər.

Tədqiqat bu problemləri bir ağır dərin öyrənmə modeli ilə həll etmək əvəzinə tapşırıqları ayırır. Birinci mərhələdə SAE ortaq gizli xüsusiyyət məkanı yaradır. Daha sonra təsnifat tapşırığında CSWE hər baza təsnifatçının müəyyən qüsur siniflərindəki səriştəsinə görə çəkili səsvermədən istifadə edir. Reqressiya tapşırığında ARSR tək qlobal reqressiya funksiyası əvəzinə müxtəlif iş rejimlərinə uyğun yerli ekspertlərdən istifadə edir. İctimai benchmark-larda rejimlər SAE gizli xüsusiyyətləri üzərində K-Means ilə aşkarlanarkən, real istehsal xəttindəki edge versiyasında hesablama xərcini azaltmaq üçün Start-up, High-speed və Idle rejimləri birbaşa RPM sərhədləri ilə yönləndirilmişdir.

Mühərrik istehsal keyfiyyətini proqnozlaşdırmaq niyə çətindir?

Müasir mühərrik montaj xəttində keyfiyyət məlumatı tək bir sensordan gəlmir. İstehsalın müxtəlif stansiyalarında bolt bərkitmə fırlanma momenti, dönmə bucağı, həndəsi boşluqlar, hermetiklik, təzyiq, axın, mühərrik dövriyyəsi, temperatur və ECU parametrləri kimi minlərlə dəyişən yaranır. Mənbə tədqiqatdakı sənaye məlumat bazası OP10-dan OP130-a qədər uzanan istehsal stansiyalarını əhatə edən üç əsas fiziki məlumat sahəsində təşkil edilmişdir: proses məlumatı, keyfiyyət məlumatı və performans məlumatı.

Bərkitmə stansiyalarındakı mexaniki siqnallar 5 Hz nümunələmə tezliyi ilə qeydə alınmışdır. EOL performans stendindəki məlumatlar isə mühərrikin funksional vəziyyətini təmsil edən dövriyyə və fırlanma momenti kimi dəyişənləri ehtiva edir. Engine ID müxtəlif stansiyalardan gələn bütün qeydləri eyni fiziki mühərriklə əlaqələndirən əsas açardır.

Məlumat zaman xətti necə yenidən quruldu?

Xam qeydlər Engine ID → Category/Workstation → Inspection Time iyerarxiyası ilə sıralanmışdır. Beləliklə, eyni mühərrikə aid müxtəlif istehsal stansiyalarındakı sensor ölçmələri xronoloji montaj trayektoriyasına çevrilmişdir.

Qüsur təsnifatındakı Pass/Fail etiketləri ilə reqressiya üçün istifadə olunan RPM/Torque hədəfləri sertifikatlaşdırılmış EOL test stendindən alınmışdır. Qərar sərhədinə yaxın bəzi nümunələr əlavə olaraq təcrübəli keyfiyyət mühəndisləri tərəfindən manual şəkildə yenidən nəzərdən keçirilmişdir.

Çatışmayan və səs-küylü məlumatlar necə işlənmişdir?

Ön emal dörd eyni vaxtlı əməliyyatdan ibarət olmuşdur:

1. Kənar qiymətlərin aradan qaldırılması,
2. Çatışmayan qiymətlərin ədədi interpolasiya ilə doldurulması,
3. Hamarlama filtrləri ilə səs-küyün azaldılması,
4. Fiziki miqyasların standartlaşdırılması.

Bir sensor kanalında və ya nümunədə çatışmayan məlumat nisbəti %30-u keçdikdə müvafiq məlumat çıxarılmışdır. Bu hədd yalnız empirik filtr kimi saxlanmamış, tədqiqat daxilində fiziki baxımdan da müzakirə edilmişdir. 5 Hz nümunələmədə ardıcıl nöqtələr təxminən 0,2 s intervalındadır. %30-dan böyük itki müəyyən iş pəncərələrində təxminən 0,8-1,0 s müddətli kor zonalar yarada bilər. Kritik mexaniki keçidlərin təxminən 1,5-2,0 s kimi dar pəncərələrdə baş verdiyi nəzərə alınarsa, belə itki real dinamik imzanı aradan qaldıra bilər.

Müəlliflər bildirirlər ki, hədd daha sərt, məsələn <%10 edilsə, çətin sənaye mühitində toplanmış nümunələrin %40-dan çoxu kənarlaşdırıla bilər. Belə filtrasiya yalnız təlim həcmini azaltmır, həm də modelin yalnız ideal sensor şərtlərini görməsinə və real istehsaldakı səs-küylü qüsur nümunələrini öyrənə bilməməsinə səbəb ola bilər.

Sparse Autoencoder Bu Tədqiqatda Nə İş Görür?

Sparse Autoencoder (SAE), müxtəlif miqyaslarda olan və 12.000-dən çox parametr ehtiva edən sensor məlumatını aşağıölçülü gizli təsvirə sıxlaşdırarkən seyrəklik cəzası vasitəsilə davamlı olmayan və ya informasiya daşımayan sensor səs-küyünü basdırmaq üçün istifadə olunan qeyri-xətti xüsusiyyət çıxarma komponentidir.

PCA Whitening və standartlaşdırma

Sənaye sensor məlumatında fırlanma momenti ilə təzyiq kimi dəyişənlər arasında güclü multikolinearlıq ola bildiyindən tədqiqat sənaye məlumatı üçün PCA Whitening istifadə etmişdir:

\[ X_{\mathrm{white}}=(X-\mu)U(\Lambda+\epsilon I)^{-1/2} \]

Burada \(X\) giriş matrisi, \(\mu\) təlim məlumatından hesablanan orta, \(U\) özvektor matrisi, \(\Lambda\) özqiymət matrisi, \(I\) vahid matris və \(\epsilon\) ədədi sabitlik terminidir. Çevirmə dəyişən dispersiyalarını miqyaslandırarkən korrelyasiya strukturunu da ayrışdırmağı hədəfləyir.

AI4I, SECOM və C-MAPSS kimi daha aşağıölçülü benchmark məlumatlarında məlumat strukturuna görə Z-Score və ya Min-Max miqyaslama istifadə edilmişdir. Ən kritik məlumat sızmasının qarşısının alınması tədbiri standartlaşdırma statistikalarının və SAE çəkilərinin yalnız etiketlənməmiş təlim məlumatından öyrənilməsi; doğrulama və test nümunələrinə isə eyni dondurulmuş çevirmənin tətbiq edilməsidir.

SAE-nin itki funksiyası

Mənbədə verilən birləşdirilmiş SAE məqsəd funksiyası:

\[ J_{\mathrm{sparse}}(W,b) = \frac{1}{m}\sum_{i=1}^{m} \frac{1}{2} \left\| h_{W,b}(x^{(i)})-x^{(i)} \right\|^2 + \frac{\lambda}{2} \sum_{l=1}^{2} \left\| W^{(l)} \right\|_F^2 + \beta \sum_{j=1}^{s} KL(\rho\|\hat{\rho}_j) \]

Birinci termin giriş siqnalının yenidən qurulma xətasıdır və əsas informasiyanı qorumağı hədəfləyir. İkinci termin \(\lambda\) ilə çəkiləndirilmiş L2 çəki cəzasıdır və model mürəkkəbliyini məhdudlaşdırır. Üçüncü termin \(\beta\) ilə çəkiləndirilmiş seyrəklik cəzasıdır. \(KL(\rho\|\hat{\rho}_j)\), gizli vahidin orta aktivliyi \(\hat{\rho}_j\)-ni aşağı hədəf aktivliyinə \(\rho\) yaxınlaşdırır.

Bu struktur SAE-nin yalnız ölçünü azaltmasını deyil, daim aktiv olmayan və informasiya daşımayan gizli xüsusiyyətləri basdırmasını təmin edir. Tədqiqat şəbəkə parametrlərini L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) alqoritmi ilə optimallaşdırmışdır.

Noise-Aware Residual Fusion

Dərin sıxlaşdırma yüksək tezlikli real fiziki detalın bir hissəsini də itirə bildiyindən mənbə şərti xam-siqnal qalıq bağlantısından istifadə etmişdir:

\[ X_{\mathrm{hybrid}}= \operatorname{Concat} (\gamma X_{\mathrm{std}},X_{\mathrm{sae}}) \]

\(\gamma\in\{0,1\}\) iki iş rejimini seçir.

• Mode I, \(\gamma=0\): Çox yüksəkölçülü və səs-küylü sənaye məlumatında yalnız SAE gizli xüsusiyyətləri istifadə olunur. Məqsəd ölçünü və səs-küyü mümkün qədər azaltmaqdır.
• Mode II, \(\gamma=1\): Daha aşağıölçülü və təmiz benchmark məlumatlarında standartlaşdırılmış xam xüsusiyyətlər ilə SAE xüsusiyyətləri birlikdə istifadə olunur.

Mənbə bu qərarı siqnal-səs-küy nisbəti və giriş ölçüsünün birgə təsiri ilə əlaqələndirir. Sənaye sistemində \(N_{in}\) təxminən 10.000 və ya daha yüksək səviyyədə olduğuna görə real edge deployment \(\gamma=0\) rejimində işlədilmişdir.

Mühərrik iş rejimlərinin ayrılması

Mühərrikin EOL test dövrü üç fiziki rejimə ayrılmışdır:

• Start-up Phase (SUP): sürətli və təxminən xətti sürətlənmə,
• High-Speed Phase (HSP): yüksək tezlikli və daha qeyri-xətti dinamika,
• Idle Phase (IP): aşağı amplitudalı, sabit iş.

Bu fazalar arasındakı keçid bölgələri test stendi və mühərrikin birlikdə yaratdığı yüksək keçici səs-küyün keyfiyyət imzasını pozmasının qarşısını almaq üçün qiymətləndirmədən kənarlaşdırılmışdır. Mənbənin 11. səhifəsindəki Şəkil 5 davamlı dövriyyə profilini və SUP-HSP-IP sərhədlərini aydın şəkildə göstərir.

ARSR Niyə Tək Reqressiya Modelindən İstifadə Etmək Əvəzinə Bir Neçə Ekspertdən İstifadə Edir?

Adaptive Regime-Switching Regression (ARSR), Start-up, High-speed və Idle kimi statistik strukturları fərqli olan mühərrik rejimlərini tək qlobal funksiyaya məcbur etmək əvəzinə, hər rejim üçün doğrulama xətası ən aşağı olan yerli reqressiya ekspertini seçmək üçün hazırlanmışdır.

Ümumi ARSR arxitekturası

İctimai benchmark-larda ARSR, SAE gizli məkanında K-Means istifadə edərək rejimləri etiketsiz şəkildə aşkarlayır:

\[ \mathcal{R}=\{C_1,C_2,\ldots,C_K\} \]

Hər klaster üçün LR, SVR, XGBoost və GBR kimi fərqli induktiv meyllərə malik modellərdən ekspert hovuzu yaradılır. Rejim \(C_k\) üçün seçilən model:

\[ f_k^* = \operatorname*{arg\,min}_{f\in\mathcal{H}_{pool}} L_{val}(f,D_{C_k}) \]

kimi müəyyən edilir. Yəni alqoritmin adı əvvəlcədən sabit deyil; hansı namizəd model həmin rejimdə doğrulama xətasını minimuma endirirsə, həmin ekspert istifadə olunur.

Real fabrikdə K-Means niyə istifadə edilmədi?

İstehsal xəttindəki edge versiyada ARSR-nin K-Means əsaslı rejim aşkarlanması şüurlu şəkildə dəyişdirilmişdir. Start-up, High-speed və Idle fazaları fiziki RPM hədləri ilə artıq deterministik şəkildə müəyyən edilə bildiyindən, real sistemdə K-Means əvəzinə bu sabit fizika əsaslı yönləndirmə istifadə edilmişdir. Məqsəd onlayn klasterləşdirmə xərcini aradan qaldırmaq, rejim təyinatını tam təkrarlana bilən etmək və 100 ms-lik Takt vaxtı həddinin altında qalmaqdır.

Beləliklə, tədqiqatın iki ARSR konfiqurasiyası bir-birindən ayrılmalıdır: benchmark/ümumi arxitektura etiketsiz K-Means routing istifadə etdiyi halda real montaj xətti deployment-ı RPM hədlərinə əsaslanan hard-switching istifadə edir.

CSWE Nadir Mühərrik Qüsurlarını Necə Aşkarlamağa Çalışır?

Class-Specific Weighted Ensemble (CSWE), bütün qüsur sinifləri üçün hər təsnifatçıya tək qlobal çəki vermək əvəzinə SVM, KNN, Gaussian Naive Bayes və Bagging kimi modellərin hər qüsur sinfindəki doğrulama F1 performansını ayrıca səriştə çəkisi kimi istifadə edir; beləliklə az rast gəlinən qüsurları çoxluq sinfinin üstünlüyündən qorumağı hədəfləyir.

Sinifə xas səriştə matrisi

\(m\) təsnifatçı və \(n\) hədəf qüsur sinfi üçün səriştə matrisi:

\[ W= \begin{bmatrix} w_{1,1} & w_{1,2} & \cdots & w_{1,n}\\ w_{2,1} & w_{2,2} & \cdots & w_{2,n}\\ \vdots & \vdots & \ddots & \vdots\\ w_{m,1} & w_{m,2} & \cdots & w_{m,n} \end{bmatrix} \]

şəklində müəyyən edilir.

Mənbədə hər çəki sinifə xas doğrulama F1 göstəricisi əsasında belə verilmişdir:

\[ w_{j,k} = F1_{j,k} = \frac{2P_{j,k}R_{j,k}} {P_{j,k}+R_{j,k}} +\epsilon \]

Burada \(P_{j,k}\), \(j\). təsnifatçının \(k\). sinif üçün Precision göstəricisi; \(R_{j,k}\) isə Recall göstəricisidir. Mənbə formulunda \(\epsilon\) toplama şəklində ədədi sabitlik termini kimi göstərilir.

Onlayn qərar mərhələsində baza modellərinin ikili çıxışları \(V\in\{0,1\}^{m\times n}\) matrisini yaradır. Hər sinfin ümumi göstəricisi:

\[ S_k= \sum_{j=1}^{m} w_{j,k}v_{j,k} \]

kimi hesablanır.

Son sinif:

\[ c^*= \operatorname*{arg\,max}_{k} S_k \]

ilə müəyyən edilir. Beləliklə, eyni baza təsnifatçı bir qüsur növündə yüksək, digər qüsur növündə aşağı qərar çəkisinə malik ola bilər.

Qiymətləndirmə metriklərinin niyə Recall mərkəzli olduğu

Mühərrik keyfiyyət nəzarətində False Negative, yəni həqiqətən qüsurlu mühərrikin sağlam qəbul edilməsi, False Positive səbəbindən yenidən yoxlamadan daha yüksək xərc daşıya bilər. Buna görə tədqiqat ümumi Accuracy əvəzinə xüsusilə Recall və F1 göstəricilərini ön plana çıxarır.

\[ Accuracy=\frac{TP+TN}{TP+TN+FP+FN} \]

\[ Precision=\frac{TP}{TP+FP} \]

\[ Recall=\frac{TP}{TP+FN} \]

\[ F1= 2\frac{Precision\cdot Recall} {Precision+Recall} \]

Accuracy balanssız məlumat dəstində yanıltıcı ola bilər. Qüsur nisbəti çox aşağı olduqda demək olar ki, bütün mühərrikləri “normal” kimi təsnif edən model yüksək Accuracy əldə edə bilər, lakin kritik qüsurları qaçıra bilər. Buna görə Recall keyfiyyət qapısında daha birbaşa qüsur aşkarlama göstəricisidir.

Tədqiqatın Metodu və Nəticələri

Sənaye məlumat dəsti

Real istehsal məlumatı aparıcı avtomobil istehsalçısının H4 montaj xəttindəki JL478QEA-AJ mühərrik modelindən əldə edilmişdir. Məlumat Engine Test Data Management Database üzərindən Engine ID əsas açarı ilə birləşdirilmişdir.

Təlim və test ayrımında eyni fiziki mühərrikdən gələn nümunələrin iki qrupa birdən daxil olmasının qarşısını almaq üçün mühərrik seriya nömrəsinə görə sərt qruplaşdırma tətbiq edilmişdir. Bu detal vacibdir; çünki eyni mühərrikə aid yüksək dərəcədə əlaqəli sensor hissələrinin həm təlim, həm də test dəstində olması performansı süni şəkildə artıra bilərdi.

İctimai benchmark məlumat dəstləri

Bu benchmark-ların məqsədi üç məlumat dəstində eyni tətbiqi təqlid etmək deyil. Hər biri sistemin fərqli komponentini stress testinə məruz qoyur: sinif balanssızlığı, yüksəkölçülü səs-küy və ya gizli iş rejimləri.

Avadanlıq və proqram təminatı

Təsnifat tapşırıqları və AI4I Tool Wear nəticələri 10 müstəqil işə salmanın orta qiyməti və standart sapması ilə bildirilmişdir. Daha bahalı NASA C-MAPSS zaman sırası təcrübələri 5 müstəqil işə salma üzərindən qiymətləndirilmişdir.

Təsnifat nəticələri: AI4I

SAE + CSWE ən yüksək F1 göstəricisini vermişdir. XGBoost daha yüksək Recall yaratmış, lakin Precision göstəricisinin daha aşağı olması daha çox yanlış siqnal demək olmuşdur. Buna görə tədqiqatın iddiası “hər metrikdə ən yaxşı” olmaq deyil, qüsur aşkarlama ilə yanlış siqnal arasında daha balanslı nəticə təmin etməkdir.

Təsnifat nəticələri: UCI SECOM

SECOM nəticələri Accuracy-nin balanssız siniflərdə niyə təkbaşına kifayət etmədiyini xüsusilə yaxşı göstərir. Məsələn, SVM-in Accuracy göstəricisi %91,66 olduğu halda Recall yalnız %6,67-dir. SAE + CSWE daha aşağı Accuracy-yə baxmayaraq qüsurların xeyli böyük hissəsini aşkarlayaraq %49,05 Recall əldə etmişdir.

Reqressiya metrikləri

Reqressiya tapşırıqlarında üç əsas metrik istifadə edilmişdir:

\[ MSE= \frac{1}{n} \sum_{i=1}^{n} (y_i-\hat{y}_i)^2 \]

\[ R^2= 1- \frac{\sum_i(y_i-\hat{y}_i)^2} {\sum_i(y_i-\bar{y})^2} \]

\[ MAPE= \frac{1}{n} \sum_{i=1}^{n} \left| \frac{y_i-\hat{y}_i}{y_i} \right| \]

MSE böyük xətaları kvadrat şəklində daha çox cəzalandırır. \(R^2\), hədəf dəyişəndəki variasiyanın model tərəfindən izah edilmə səviyyəsini göstərir. MAPE miqyasdan asılı olmayan faiz xətası verir; lakin hədəf qiymət sıfıra yaxınlaşdıqda riyazi baxımdan qeyri-sabit ola bilər. Bu son problem tədqiqatın Idle fazasındakı dövriyyə standart sapması analizində birbaşa müşahidə edilmişdir.

AI4I Tool Wear reqressiyası

SAE + ARSR ən aşağı MSE və ən yüksək \(R^2\) göstəricisini əldə etmişdir, lakin MAPE baxımından CNN və Transformer təxminən eyni və ya çox az daha aşağı qiymətlər yaratmışdır. Buna görə nəticə istifadə olunan bütün metriklərdə mütləq üstünlük kimi şərh edilməməlidir.

NASA C-MAPSS FD002 reqressiyası

ARSR FD002-də ən aşağı MSE və ən yüksək \(R^2\) göstəricisini yaratmışdır. Bununla belə, MAPE üzrə XGBoost və Bagging daha aşağı qiymətlər vermişdir. Bu nəticə yenə model performansının istifadə olunan xəta metrikindən asılı olaraq qiymətləndirilməli olduğunu göstərir.

Ablasiya təcrübələri SAE və rejim bölməsinin rolu haqqında nə göstərdi?

Seyrəklik cəzasının çıxarılması SECOM F1 göstəricisini %33,17-dən %23,94-ə endirmişdir. Xam standartlaşdırılmış sensorların birbaşa istifadəsi Accuracy-ni yüksəltməsinə baxmayaraq Recall göstəricisini %49,05-dən %40,48-ə endirmişdir. Mənbə bunu xam yüksəkölçülü səs-küyün çoxluq sinfinə yönəlmə yaratması ilə izah edir.

NASA FD002-də rejim bölməsinin çıxarılması MSE-ni 424,49-dan 474,45-ə yüksəltmişdir. Bu nəticə altı fərqli iş şəraitini tək qlobal reqressiya funksiyasına məcbur etməyin xəta yaratdığını və yerli ekspert strategiyasının çoxrejimli proseslərdə faydalı olduğunu dəstəkləyir.

Real H4 xəttində qüsur təsnifatı

Recall-dakı mütləq artım 7,72 faiz bəndidir. Bu nəticə mənbədə “qüsur aşkarlama Recall göstəricisində %7,72 yaxşılaşma” kimi xülasə edilir. Lakin %76,92 göstəricisi tədqiqatın öz müzakirəsində keyfiyyət təminatı üçün ideal sayılan >%95 səviyyəsindən nəzərəçarpacaq dərəcədə aşağıdır.

Real xətdə davamlı mühərrik performansının proqnozlaşdırılması

Reqressiya hədəfi sürücünün tələb etdiyi mühərrik dövriyyəsi deyil. Test stendindəki sabit yük protokolu altında mühərrikin gözlənilən funksional reaksiyası proqnozlaşdırılır. Model orta dövriyyə və dövriyyə standart sapması üçün “normal davranış” bazası yaradır. Bu bazadan sapmalar sürtünmə anomaliyası və ya ECU kalibrləmə problemi kimi daha incə problemlərə işarə edə bilən köməkçi göstəricilər kimi istifadə olunur.

Orta mühərrik dövriyyəsi üçün ARSR:

• Start-up fazasında Linear Regression,
• High-speed fazasında SVR,
• Idle fazasında SVR

seçmiş və L-S-S ekspert ardıcıllığı ümumilikdə %2,276 MAPE vermişdir. Təkcə LR üçün MAPE %2,646, təkcə SVR üçün %2,350 kimi bildirilmişdir.

Mühərrik dövriyyəsinin standart sapmasının proqnozlaşdırılmasında isə SVR-GPR-Bagging ekspert kombinasiyası istifadə edilmiş və ümumi MAPE %39,00 olmuşdur. Bu qiymət yüksək görünür; lakin xüsusilə Idle fazasında real standart sapma sıfıra çox yaxın olduğuna görə MAPE-nin məxrəci çox kiçilir. Mənbə bildirir ki, kiçik mütləq xətalar buna görə nəhəng faiz xətalarına çevrilir.

Idle fazasındakı mütləq proqnoz xətasının ±10 RPM sənaye tolerantlığı daxilində qaldığı bildirilmişdir. Buna görə MAPE-nin bu rejimdə təkbaşına fiziki performans göstəricisi kimi istifadə edilməsinin məhdud olduğu qəbul edilmişdir.

Edge Deployment Bu Tədqiqatda Həqiqətən Nə Qədər Sürətli və Nə Qədər Uğurludur?

Real H4 mühərrik montaj xəttində istifadə olunan edge versiya orta hesabla 80 ± 3 ms inferensiya gecikməsi ilə 100 ms Takt vaxtı həddi daxilində işləmiş və üç aylıq pilot dövrdə mühərrik təmiri/yenidən işləmə nisbətində %7,2 azalma bildirilmişdir; lakin mənbə bu əməliyyat yaxşılaşmasını eyni vaxtlı nəzarətli səbəblilik təcrübəsi ilə ayırmadığı üçün %7,2 göstəricisi müşahidə edilmiş sahə nəticəsi kimi şərh edilməlidir.

Edge optimallaşdırmasının iki əsas qərarı

Birinci optimallaşdırma: Onlayn K-Means routing əvəzinə mühərrik rejimi birbaşa RPM hədləri ilə müəyyən edilmişdir. Beləliklə klaster təyinatı hesablaması aradan qaldırılmışdır.

İkinci optimallaşdırma: \(\gamma=0\) istifadə edilərək downstream modelə yalnız SAE-nin sıxlaşdırılmış gizli xüsusiyyətləri verilmişdir. 10.000-dən çox xam xüsusiyyətin edge prosessorda daşınması və hesablanmasının qarşısı alınmışdır.

Bu konfiqurasiya Intel Xeon E5-2680 v4 əsaslı line-side edge cihazlarda orta hesabla 80 ± 3 ms inferensiya müddəti təmin etmişdir. Tədqiqat bunu 100 ms-lik Takt vaxtı həddi ilə müqayisə edir.

Üç aylıq pilot istehsal nəticəsi

Müəlliflər üç aylıq pilot işdən sonra mühərrik təmiri/yenidən işləmə nisbətində %7,2 azalma bildirmişdir. Bu, metodun yalnız benchmark məlumat dəstlərində deyil, real istehsal iş axınında da işlədildiyini göstərməsi baxımından əhəmiyyətlidir.

Bununla belə, mənbədə ayrıca nəzarət xətti, randomizə edilmiş müqayisə və ya digər istehsal prosesi dəyişikliklərini statistik olaraq ayıran səbəb-nəticə təsiri dizaynı bildirilmir. Buna görə %7,2 göstəricisi birbaşa müşahidə edilmiş pilot dövr performans göstəricisidir; alqoritmin təkbaşına yaratdığı dəqiq səbəb-nəticə təsiri kimi genişləndirilməməlidir.

Qarışıqlıq matrisləri nə göstərir?

Mənbənin 21. səhifəsindəki Şəkil 12 UCI SECOM üzərində 10 müstəqil işə salmanın ümumi qarışıqlıq matrislərini göstərir. LightGBM 86, Bagging 76 və XGBoost 95 real qüsuru aşkarlamışdır. XGBoost eyni zamanda 234 yanlış siqnal yaratmışdır. Təklif olunan CSWE isə 103 real qüsuru aşkarlayarkən 231 False Positive yaratmışdır.

Bu müqayisənin əsas mesajı CSWE-nin yalnız Recall-u artırması deyil, Recall artımı zamanı yanlış siqnal sayını nəzarətdə saxlamağa çalışmasıdır.

Tədqiqatın dəstəklədiyi nəticələr

• SAE-nin seyrəklik strukturu yüksəkölçülü və səs-küylü sensor məlumatında qüsur təsnifatına ölçülə bilən töhfə vermişdir.
• Sinifə xas çəkiləndirmə balanssız qüsur siniflərində Recall və F1 performansını yaxşılaşdıra bilmişdir.
• İş rejimlərinə görə ekspert seçimi çoxrejimli reqressiya tapşırıqlarında tək qlobal modelə nisbətən xətanı azalda bilmişdir.
• Təklif olunan arxitektura real H4 mühərrik istehsal xəttində CPU əsaslı edge avadanlığında 100 ms həddi daxilində işləmişdir.
• Üç aylıq real istehsal pilotunda təmir/yenidən işləmə nisbətində %7,2 azalma bildirilmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Sistem bütün mühərrik qüsurlarını aşkarlamır; sənaye Recall göstəricisi %76,92-dir.
• Nəticələr bütün avtomobil istehsalçılarına, bütün mühərrik ailələrinə və bütün montaj xətlərinə avtomatik olaraq ümumiləşdirilə bilməz.
• %7,2 istehsal yaxşılaşması nəzarətli səbəb-nəticə təsir ölçüsü deyil.
• Mövcud təkmodallı cədvəl tipli sensor sistemi mikroskopik struktur anomaliyalarının hamısını müşahidə edə bilmir.
• Model hazırkı formada davamlı onlayn öyrənmə və ya avtomatik concept-drift uyğunlaşması etmir.
• Idle fazasındakı yüksək MAPE qiymətləri təkbaşına zəif fiziki performans demək deyil; sıfıra yaxınlaşan hədəf qiymət MAPE-ni riyazi şəkildə şişirdir.

Məhdudiyyətlər və gələcək tədqiqat istiqamətləri

Təkmodallı məlumat məhdudiyyəti: Tədqiqat əsasən cədvəl formasındakı fırlanma momenti, təzyiq və oxşar proses/sensor ölçmələrinə əsaslanır. Müəlliflər daha yüksək qüsur aşkarlanması üçün Acoustic Emission sensorları və real vaxt vizual monitorinq kimi əlavə modalitələrin lazım ola biləcəyini bildirirlər.

Qeyri-müəyyənlik qiymətləndirilməsi: Xüsusilə sıfıra yaxın hədəflərdə nöqtə proqnozu və MAPE-nin məhdud olması səbəbindən gələcəkdə Bayesian Neural Networks kimi ehtimallı metodların və etibar intervallarının qiymətləndirilməsi təklif olunur.

Concept drift: Model müəyyən istehsal stabilləşdirmə dövründə toplanmış statik təlim məlumatı ilə işləyir. Alət aşınması, mühit temperaturu və ya təchizatçı material partiyası dəyişdikdə məlumat paylanması zamanla sürüşə bilər. Mövcud versiyada davamlı onlayn öyrənmə mexanizmi yoxdur.

Ümumiləşdirilə bilmə: Fərqli mühərrik modelləri və fərqli montaj xətlərində ayrıca doğrulama tələb olunur. Mənbə tədqiqat bir fiziki xətdə əldə olunan sənaye uğurunun universal istehsal performansı demək olmadığını qəbul edir.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Predicting Car-Engine Manufacturing Quality with Multi-Sensor Data of Manufacturing Assembly Process

Müəlliflər: Xinyu Yang; Qianxi Zhang; Junjie Bao; Xue Wang; Nengchao Wu; Qing Tao; Haijia Wu; Li Liu.

Məsul müəllif: Li Liu.

Qurumlar: School of Mechanical Engineering, Xinjiang University, Urumqi, China; Chongqing Municipal Economy and Information Technology Commission, Chongqing, China; School of Big Data & Software Engineering, Chongqing University, Chongqing, China.

Jurnal: Sensors.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: Sensors 2026, 26(5), 1651.

DOI: 10.3390/s26051651

Mənbə növü: Resenziyalı tədqiqat məqaləsi.

Məqalə bölməsi: Industrial Sensors.

Qəbul edilmə: 29 Yanvar 2026.

Reviziya: 21 Fevral 2026.

Qəbul: 27 Fevral 2026.

Nəşr: 5 Mart 2026.

Lisenziya: Creative Commons Attribution (CC BY).

Sənaye sistemi: H4 mühərrik montaj xətti; JL478QEA-AJ mühərrik modeli.

İctimai doğrulama məlumat dəstləri: AI4I 2020 Predictive Maintenance Dataset; UCI SECOM; NASA C-MAPSS FD002.

Maliyyələşdirmə: Chongqing Municipal Economy and Information Technology Commission, Grant No. YJX-2025001001008.

İnsan/heyvan tədqiqatı: Tədqiqatın insan iştirakçıları və ya heyvanlar üzərində aparılmış araşdırma ehtiva etmədiyi bildirilmişdir.

Məlumat əlçatanlığı: Nəticələri dəstəkləyən məlumatların əsaslandırılmış sorğu əsasında məsul müəllif Li Liu-dan əldə edilə biləcəyi bildirilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını bəyan etmişdir.

Müəllif töhfələri: Xinyu Yang, Li Liu və Qing Tao konseptuallaşdırma; Xinyu Yang və Li Liu metod; Xinyu Yang, Qianxi Zhang, Junjie Bao və Nengchao Wu proqram təminatı; Qianxi Zhang, Xue Wang və Nengchao Wu doğrulama; Xinyu Yang və Qianxi Zhang formal analiz; Xinyu Yang, Junjie Bao və Xue Wang tədqiqat; Li Liu və Haijia Wu resurslar; Xinyu Yang, Qianxi Zhang və Nengchao Wu məlumat kurasiyası; Xinyu Yang ilkin layihə; Li Liu, Qing Tao və Haijia Wu nəzərdən keçirmə/redaktə; Xinyu Yang və Qianxi Zhang vizuallaşdırma; Li Liu və Qing Tao nəzarət; Li Liu və Haijia Wu layihə idarəetməsi və maliyyələşdirmə rollarını yerinə yetirmişdir.

Əsas şərh məhdudiyyəti: Sənaye doğrulaması real istehsal xəttində aparılmış olsa da, yalnız bir mühərrik modeli və müəyyən montaj xətti kontekstindədir. Recall göstəricisi %76,92 ilə müəlliflərin qeyd etdiyi >%95 ideal QA hədəfindən aşağıdır. Mövcud sistem yalnız cədvəl əsaslı tək sensor modalitesinə əsaslanır, onlayn concept-drift uyğunlaşması ehtiva etmir və üç aylıq %7,2 sahə yaxşılaşmasının alqoritmə xas səbəb-nəticə payı ayrıca nəzarətli tədqiqatla ayrılmamışdır.