Tədqiqat elektrik mühərriklərində nasazlıq məlumatlarının sağlam iş məlumatlarına nisbətən çox daha az olması səbəbindən yaranan sinif balanssızlığı probleminə fokuslanır. Tədqiqatçılar üçfazalı stator cərəyanı ilə vibrasiya ölçmələrini birlikdə istifadə edən və az təmsil olunan nasazlıq sinifləri üçün süni spektral nümunələr yaradan SWGAN adlı üsul hazırlayırlar. SWGAN şərti Wasserstein GAN strukturunu, spektrdə bir-birindən uzaq tezlik komponentləri arasındakı əlaqələri tutmaq üçün self-attention və adversarial təlimin sabitliyini artırmaq üçün gradient normalization ilə birləşdirir.

Üsul xam siqnalı birbaşa təsnif etmir. Vibrasiya kanalında Hilbert çevrilməsi vasitəsilə zərf spektri; üçfazalı cərəyanda isə Clarke çevrilməsindən sonra fəza-vektor böyüklüyünün spektri çıxarılır. SWGAN az sayda olan nasazlıq siniflərini bu spektral fəzada sintetik nümunələrlə tamamlayır. Real və yaradılmış cərəyan/vibrasiya xüsusiyyətləri daha sonra iki ayrı kodlama qolunda işlənib xüsusiyyət səviyyəsində birləşdirilir və SAE əsaslı təsnifatçıya ötürülür.

Tədqiqatın ətraflı nəticələrinə görə sabit sürətli PMSM məlumat dəstindəki orta səviyyəli sinif balanssızlığı Case A-da SWGAN %97,81 ± 0,53 dəqiqlik təmin etmişdir. Daha ağır Case B şəraitində dəqiqlik %93,77 ± 1,12-yə düşsə də WCGAN, ACGAN, DCGAN və məlumat artırmasız SAE bazis xəttinin üzərində qalmışdır. Dəyişən sürətli asinxron mühərrik məlumat dəstində də sinif balanssızlığı azaldıqca SWGAN-ın üstünlüyü daha aydın olmuşdur; Şəkil 24-də 1:10, 1:5 və 1:2 şəraitlərində müvafiq olaraq %81,3, %91,7 və %95,9 dəqiqlik bildirilmişdir.

Nəticələr sintetik məlumatın bütün hallarda real məlumatla ekvivalent olduğu mənasına gəlmir. Ən ağır məlumat qıtlığı şəraitində GAN üsulları arasındakı performans fərqi azalır; yəni yalnız bir neçə real nasazlıq nümunəsi olduqda generativ modelin öyrənə biləcəyi məlumat da məhdud qalır. Tədqiqat həmçinin sintetik nümunələrin real paylanmaya yaxınlığını JS divergence, cosine distance, t-SNE və UMAP ilə qiymətləndirir, lakin yaradılmış siqnalları fiziki mühərrikdə yenidən istehsal edib ölçmür.

Türkiyə baxımından yanaşma sənaye mühərrikləri, istehsal maşınları və ya texniki xidmət sistemlərində nadir nasazlıq siniflərinin məlumat çatışmazlığı ilə qarşılaşılan tədqiqatlar üçün nəzərdən keçirilə bilər. Bununla belə tədqiqat Türkiyədəki zavod, mühərrik parkı və ya texniki xidmət infrastrukturu üzərində aparılmamışdır. Yerli istifadə üçün real mühərrik növləri, sensor yerləşdirmələri, yük/sürət profilləri və nasazlıq paylanmaları ilə yenidən təlim və müstəqil doğrulama tələb olunur; tədqiqatdakı dəqiqlik dəyərləri birbaşa yerli sahə performansı kimi qəbul edilə bilməz.

Mühərrik nasazlığı diaqnostikasında sinif balanssızlığı niyə problemdir?

Mühərrik normal vəziyyətdə uzun müddət işləyə bildiyi halda müəyyən nasazlıqlar nadir baş verir. Buna görə məlumat bazasında sağlam iş nümunələri çoxsaylı, xüsusilə müəyyən nasazlıq növləri və ya aşağı şiddətli nasazlıqlar isə azsaylı ola bilər.

Dərin öyrənmə təsnifatçısı bu balanssız paylanma ilə öyrədildikdə çoxluq sinfinin xüsusiyyətlərini daha yaxşı öyrəndiyi halda nadir nasazlıq siniflərinin qərar sərhədlərini kifayət qədər öyrənməyə bilər. Tədqiqatın həll yanaşması real azlıq məlumatını sadəcə kopyalamaq əvəzinə onun paylanmasını öyrənərək yeni sintetik nümunələr yaratmaqdır.

Niyə iki fərqli sensor istifadə olunur?

Tədqiqat elektrik və mexaniki nasazlıq məlumatının bir-birini tamamlaya biləcəyi fərziyyəsinə əsaslanır. Stator cərəyanı elektromaqnit pozuntularını əks etdirərkən vibrasiya siqnalları mexaniki reaksiyanı və strukturdakı dəyişiklikləri daşıyır.

Buna görə üsul yalnız bir sensordan nümunə yaratmaq əvəzinə cərəyan və vibrasiya spektral xüsusiyyətlərini birlikdə istifadə edir. Bununla yanaşı mənbədə generasiya mərhələsinin bu iki modalite arasında xüsusi ortaq tutarlılıq itkisi ilə öyrədildiyi göstərilməmişdir; yaradılmış modalitələr daha sonra xüsusiyyət səviyyəsində birləşdirilir.

Vibrasiya siqnalı necə hazırlanır?

Vibrasiya siqnalı əvvəlcə seçilmiş rezonans bölgəsi ətrafında zolaq-keçirən filtrdən keçirilir:

\[ x_f(t)=B\{x(t)\} \]

Daha sonra Hilbert çevrilməsi ilə analitik siqnal yaradılır:

\[ z(t)=x_f(t)+jH[x_f(t)] \]

Zərf amplitudası:

\[ a(t)= \sqrt{x_f^2(t)+H[x_f(t)]^2} \]

kimi hesablanır. Bunun Fourier çevrilməsinin mütləq qiyməti vibrasiya zərf spektrini verir:

\[ E(f)=|\mathcal{F}\{a(t)\}| \]

Bu əməliyyat mexaniki impulsların yaratdığı modulyasiya komponentlərini vurğulamaq üçün istifadə olunur.

Üçfazalı cərəyandan hansı xüsusiyyət çıxarılır?

U, V və W fazalarına uyğun üçfazalı cərəyanlar Clarke çevrilməsi ilə sabit αβ koordinat sisteminə ötürülür:

\[ \begin{bmatrix} i_\alpha(t) \\ i_\beta(t) \end{bmatrix} = \frac{2}{3} \begin{bmatrix} 1 & -1/2 & -1/2 \\ 0 & \sqrt{3}/2 & -\sqrt{3}/2 \end{bmatrix} \begin{bmatrix} i_a(t)\\ i_b(t)\\ i_c(t) \end{bmatrix} \]

Fəza-vektor böyüklüyü:

\[ i_s(t)= \sqrt{i_\alpha^2(t)+i_\beta^2(t)} \]

kimi əldə edilir və sonra:

\[ S(f)=|\mathcal{F}\{i_s(t)\}| \]

ilə cərəyan spektri yaradılır. Hər iki modalite üçün istifadə olunan yekun spektral uzunluq 2400 nöqtədir.

SWGAN nəyi dəyişir?

Əsas model şərti Wasserstein GAN-dır. Təsadüfi səs-küy və nasazlıq sinfi etiketi generatora verilərək müəyyən nasazlıq sinfinə aid spektr yaradılması məqsəd qoyulur.

SWGAN-ın iki əsas əlavə komponenti var:

• Self-attention: Spektral ardıcıllıqda bir-birindən uzaqda yerləşən, lakin eyni nasazlıq imzasının hissəsi ola biləcək komponentlər arasında əlaqə qurmağı hədəfləyir.
• Gradient normalization: Diskriminator təlimi zamanı qradient miqyasını normallaşdıraraq adversarial təlimin daha sabit irəliləməsini hədəfləyir.

Mənbədə GN, spectral normalization kimi hər qatın çəkilərini məhdudlaşdıran mexanizm əvəzinə təlim səviyyəsində tətbiq olunan qradient miqyaslama yanaşması kimi təsvir olunur. Gradient penalty üsulundan fərqli olaraq ayrıca interpolasiya nümunələri və tənzimlənəcək cəza əmsalı tələb etmədiyi iddia olunur.

Self-attention spektr daxilində necə işləyir?

Giriş xüsusiyyətləri üç fərqli çevrilmə ilə query-bənzər, key-bənzər və value-bənzər təmsillərə ayrılır. İki xüsusiyyət arasındakı xam diqqət əlaqəsi:

\[ a_{i,j}=f(x_i)^Tg(x_j) \]

ilə yaradılır və softmax vasitəsilə çəkiyə çevrilir. Çəkiləndirilmiş xüsusiyyətlər daha sonra orijinal xüsusiyyət xəritəsinə öyrənilə bilən \(\gamma\) əmsalı üzərindən əlavə olunur:

\[ y_i=\gamma o_i+x_i \]

Beləliklə CNN-in lokal nümunə tutma qabiliyyəti ilə self-attention-ın daha uzaq spektral əlaqələri çəkiləndirməsi eyni generatorda birləşdirilir.

Yaradılmış məlumatdan diaqnostikaya necə keçilir?

Vibrasiya və cərəyan spektrlərinin hər biri ayrıca 512 ölçülü xüsusiyyət təmsilinə kodlanır. İki təmsil birləşdirilərək 1024 ölçülü giriş yaradılır və bu təmsil 512 ölçülü fusion qatından keçirilir. Daha sonra 256 və 128 ölçülü gizli qatlar ilə SoftMax çıxışı istifadə edilərək nasazlıq sinfi müəyyənləşdirilir.

Tədqiqatın dəstəklədiyi nəticələr

• SWGAN iki fərqli mühərrik məlumat dəstində balanssız təlim məlumatını sintetik spektrlərlə dəstəklədikdə müqayisə olunan GAN üsullarının çoxundan daha yüksək diaqnostika dəqiqliyi təmin etmişdir.
• SWGAN tərəfindən yaradılmış nümunələr tədqiqatda istifadə edilən JS divergence və cosine distance ölçülərində DCGAN, ACGAN və WCGAN-a görə real məlumatlara daha yaxın paylanmalar göstərmişdir.
• Self-attention və gradient normalization komponentlərinin birlikdə istifadəsi ablation təcrübələrində xüsusilə kifayət qədər başlanğıc nümunəsi olduqda performansı artırmışdır.
• Gradient normalization istifadə edən modelin mənbədə göstərilən itki əyrilərində GP istifadə edilən müqayisəyə görə daha erkən dinamik tarazlığa çatdığı bildirilmişdir.
• Cərəyan və vibrasiya məlumatının birlikdə istifadəsi təkmodaliteli müqayisələrlə müqayisədə bəzi balanssızlıq şəraitində üstünlük təmin etmişdir.
• Üsul sabit sürətli PMSM məlumatları ilə yanaşı dəyişən sürətli asinxron mühərrik məlumat dəstində də tətbiq oluna bilmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Sintetik spektrlərin fiziki olaraq real mühərrikin yarada biləcəyi hər detalı düzgün təmsil etdiyi sübut edilməmişdir.
• SWGAN-ın real vaxtda sənaye mühərriki üzərində onlayn işlədiyi göstərilməmişdir.
• Üsulun hər mühərrik növü, sensor sistemi və ya nasazlıq ailəsində eyni dəqiqliyi təmin edəcəyi göstərilməmişdir.
• Ən ağır məlumat qıtlığında generativ modelin açıq üstünlüyü göstərilməmişdir; yalnız bir neçə real nasazlıq nümunəsi olduqda GAN üsulları bir-birinə yaxın nəticələr verir.
• İki sintetik modalite arasında fiziki sinxronizasiyanı məcbur edən xüsusi ortaq generasiya itkisi və ya cross-modal consistency ölçüsü açıq şəkildə göstərilməmişdir.
• Məqalədəki dəqiqlik dəyərləri birbaşa proqnozlaşdırıcı texniki xidmət xərci, plansız dayanmanın azalması və ya sənaye etibarlılığı qazancı demək deyil.

Türkiyədəki tətbiqlər baxımından nə ifadə edir?

Türkiyədəki müəssisə baxımından üsulun əsas potensial istifadə sahəsi çoxlu normal iş qeydi olduğu halda müəyyən nasazlıq növlərinin az müşahidə olunduğu mühərrik monitorinq sistemləridir. Lakin tədqiqatdakı mühərriklər, sensor nümunələmə quruluşları və nasazlıq paylanmaları birbaşa yerli müəssisəni təmsil etmir. Tətbiqdən əvvəl müvafiq mühərrik ailəsindən real sağlam və nasaz qeydlərin toplanması, SWGAN-ın bu paylanma ilə yenidən öyrədilməsi və sintetik məlumat əlavə edilməzdən əvvəl/sonra müstəqil test dəstindəki xəta növlərinin ayrıca qiymətləndirilməsi lazımdır.

Tədqiqatın Metodu və Nəticələri

SWGAN şəbəkə quruluşu

Mənbədə label ölçüsü səkkiz olaraq göstərilməsinə baxmayaraq əsas təcrübələrdə on sinif istifadə olunur. Səkkiz ölçülü şərt təmsilinin on sinfə necə uyğunlaşdırıldığı açıqlanmadığından bu arxitektura detalı təkrar istehsal oluna bilmə baxımından qeyri-müəyyəndir.

Təlim konfiqurasiyası

Bu dəyərlər mənbədə bildirildiyi kimi verilib; proqram təminatı və avadanlıq versiyaları xaricdən düzəldilməyib.

Dataset A: sabit sürətli PMSM stator nasazlıqları

Birinci məlumat dəsti üçfazalı daimi maqnitli sinxron mühərriklərdən alınan cərəyan və vibrasiya qeydlərini ehtiva edir. Məlumat mənbəyində 1,0 kW, 1,5 kW və 3,0 kW gücündə üç mühərrik var. Ölçmələr 3000 rpm sabit sürətdə aparılmışdır. Vibrasiya ox istiqamətində, mühərrik yatağına yerləşdirilən akselerometrlə 25,6 kHz-də; U, V və W faz cərəyanları isə cərəyan probları ilə 100 kHz-də nümunələnmişdir.

Stator qısaqapanma nasazlıqları U fazasında süni şəkildə yaradılmışdır. Eyni sarğının dövrələri arasındakı qısaqapanma inter-turn, qonşu sarğılar arasındakı qısaqapanma isə inter-coil kimi modelləşdirilmişdir. Bypass müqaviməti azaldıqca qısaqapanma şiddəti artır:

\[ FaultRatio= \left( \frac{R}{R+R_{\mathrm{bypass}}} \right)\times100 \]

Real və sintetik nümunələr bir-birinə bənzəyirmi?

Tədqiqat yalnız təsnifat dəqiqliyinə baxmır. Real və generasiya edilmiş spektrlərin oxşarlığını Jensen–Shannon divergence və cosine distance ilə qiymətləndirir. Hər iki metrikdə aşağı dəyər daha yüksək oxşarlıq deməkdir.

IT1, IT3 və IC3 nümunələrinin 20 təkrarlı violin qrafiklərində SWGAN paylanmalarının müqayisə edilən DCGAN, ACGAN və WCGAN modellərinə görə daha aşağı JS divergence və cosine distance bölgələrində toplandığı göstərilmişdir. Lakin bu qrafiklər üçün mənbədə dəqiq sayısal orta cədvəllər verilmədiyindən vizual olaraq təxmini rəqəm yaradılmamışdır.

PMSM sinif balanssızlığı nəticələri

Real sinif balanssızlığının araşdırıldığı Case A və Case B-də sağlam sinif 200 təlim nümunəsi ilə saxlanılmış, nasazlıq sinifləri isə müxtəlif miqdarlara endirilmişdir. SWGAN və digər GAN üsulları azlıq siniflərini 1:1 təlim nisbətinə çatdırmaq üçün istifadə edilmişdir.

Case B-də bütün üsulların uğuru azalmışdır. Bu nəticə xüsusilə vacibdir: generativ məlumat artırma real nasazlıq məlumatını tam əvəz etmir. Başlanğıc azlıq məlumatı daha da azaldıldıqda SWGAN özü də performans itirmişdir.

Dataset B: dəyişən sürətli asinxron mühərrik

İkinci məlumat dəstində 2,2 kW üçfazalı asinxron mühərrik, fırlanma anı sensoru, iki pilləli paralel dişli qutusu və maqnit tozu əyləcindən ibarət eksperimental qurğu istifadə edilmişdir. Üçoxlu vibrasiya, üçfazalı cərəyan, fırlanma anı və key-phase siqnalları sinxron olaraq 12,8 kHz-də toplanmışdır.

Tədqiqatda 20 Nm sabit yük altında 0–1000 rpm dəyişən sürətli iş rejimi seçilmişdir.

Dəyişən sürətdə məlumat miqdarı azaldıqda nə baş verdi?

Sağlam sinif 200 təlim nümunəsində saxlanılmış, doqquz nasazlıq sinfi isə 4, 10, 20, 40, 100 və 200 nümunə səviyyələrində sınaqdan keçirilmişdir. Hər sinifdə test dəsti 200 real nümunə olaraq qorunmuşdur.

Bu nəticələrdə mühüm detal var. Ən ağır 1:50 şəraitində SWGAN %49,9 ilə bütün üsulların ən yaxşısı deyil; WCGAN %50,1 nəticə vermişdir. 1:20 şəraitində də ACGAN %58,8 ilə SWGAN-ın %58,2 dəyərindən bir qədər yuxarıdır. SWGAN-ın aydın üstünlüyü xüsusilə 1:10, 1:5 və 1:2 aralığında ortaya çıxır.

1:1 vəziyyətində isə məlumat artırmasız SAE %98,1, SWGAN %97,9-dur. Buna görə kifayət qədər real məlumat olduqda sintetik məlumat istifadəsinin real məlumatı üstələdiyi nəticəsi bu qrafikdən çıxarıla bilməz.

Ablation təcrübəsi self-attention və GN üçün nə deyir?

Beş vəziyyətli əlavə təcrübədə təklif olunan tam model; gradient penalty istifadə edən variant, self-attention-sız variant, yalnız vibrasiya və yalnız cərəyan üsulları ilə müqayisə edilmişdir.

Tam SWGAN quruluşu 1:10-dan etibarən bu cədvəldə ən yüksək dəqiqliyə çatmışdır. Buna qarşılıq 1:50 və 1:20 kimi həddindən artıq məlumat qıtlığında yalnız cərəyan yanaşması daha yüksək nəticə verir. Bu da model komponentlərinin üstünlüyünün başlanğıcdakı real nümunə miqdarından asılı olduğunu göstərir.

İtki əyrilərində gradient normalization istifadə edən tam modelin təxminən 120 epoch-dan sonra dinamik tarazlığa keçdiyi, gradient penalty variantının isə təxminən 160 epoch-dan sonra oxşar tarazlığa yaxınlaşdığı bildirilir. Bu müşahidə təlim sabitliyinin göstəricisidir; mənbədə bunun üçün ayrıca statistik yaxınlaşma testi verilməmişdir.

Əsas metodoloji məhdudiyyətlər

• Yaradılmış nümunələr real mühərrik üzərində fiziki olaraq yenidən ölçülməmişdir.
• SWGAN əsasən oflayn augmentation üçün istifadə edilmişdir; real vaxt gömülü tətbiq edilməmişdir.
• Təsnifatçı qiymətləndirilməsi eyni məlumat dəstlərindən ayrılmış test hissələri ilə aparılmışdır; müstəqil sənaye sahə məlumat dəstində doğrulama təqdim edilmir.
• Çoxmodallı generasiyanın modalitələrarası fiziki tutarlılığı üçün ayrıca sayısal consistency metriyi bildirilməmişdir.
• Case C və Case D-nin dəqiq orta dəqiqlikləri nəticələr mətnində sayısal cədvəl kimi verilməmişdir; buna görə qrafik təsvirindən yeni dəqiq dəyərlər törədilməmişdir.
• Mənbə daxilində xülasə, cədvəl və metod izahları arasında bəzi sayısal və terminoloji uyğunsuzluqlar var.

Mənbə və Metod Qeydi

Orijinal tədqiqat: Generative Dual-Modal Data Augmentation for Motor Fault Diagnosis Under Sample Imbalance.

Müəlliflər və sıraları: Ganxin Jie; Cailiang Zhang; Junqing Ma; Yang Yang; Chuan Chen.

Məsul müəllif: Cailiang Zhang. Mənbədə bərabər birinci/bərabər töhfə bəyanatı yoxdur.

Qurumlar: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd.; Yangjiang Offshore Wind Power Laboratory; School of Software & Internet of Things Engineering, Jiangxi University of Finance and Economics; General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd.; Ocean College, Zhejiang University.

Jurnal: Machines. Nəşriyyat: MDPI. Cild: 14. Məqalə: 633. Nəşr tarixi: 1 İyun 2026. DOI: 10.3390/machines14060633. Rəsmi keçid: https://doi.org/10.3390/machines14060633

Mənbə növü və rəy statusu: Rəyli tədqiqat məqaləsidir. Tədqiqat 12 Aprel 2026-da qəbul üçün daxil olmuş, 8 May 2026-da yenidən işlənmiş və 11 May 2026-da qəbul edilmişdir.

Lisenziya: Creative Commons Attribution (CC BY) açıq giriş lisenziyası.

Maliyyələşdirmə: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd. tərəfindən 2025EASKJ-010 nömrəli layihə ilə dəstəklənmişdir.

Məlumat əlçatanlığı: Dataset A KAIST tədqiqat qrupu tərəfindən yayımlanmış açıq üçfazalı PMSM stator nasazlığı məlumat dəstindən; Dataset B isə Tsinghua University tədqiqat qrupunun dəyişən iş şəraitindəki üçfazalı asinxron mühərrik nasazlığı məlumat dəstindən götürülmüşdür. Məqalədə hər iki mənbə üçün Mendeley Data keçidləri verilmişdir.

Maraqlar toqquşması və maliyyələşdirən tərəf bəyanatı: Ganxin Jie, Yang Yang və Chuan Chen-in China National Electric Apparatus Research Institute Co., Ltd. və General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd. ilə əmək münasibətləri açıqlanmışdır. Mənbəyə görə maliyyələşdirən tərəf tədqiqat dizaynı, məlumat toplama, analiz, şərh, yazı və ya nəşr qərarında iştirak etməmişdir.

Müəllif töhfələri: Konseptuallaşdırma J.M. və C.Z.; metodologiya J.M.; proqram təminatı J.M.; doğrulama C.Z.; resurslar C.C.; ilk layihə J.M.; nəzərdən keçirmə və redaktə C.Z.; rəhbərlik G.J.; layihə idarəetməsi Y.Y.; maliyyələşdirmənin əldə edilməsi G.J. tərəfindən həyata keçirilmişdir.

Bu Verianla məqaləsindəki elmi metod, arxitektura, tənliklər, məlumat dəstləri, diaqnostika nəticələri və məhdudiyyətlər yalnız araşdırılan tədqiqata əsaslanır. Xarici mənbə yoxlaması yalnız biblioqrafik nəşr kimliyi üçün istifadə olunmuş; xaricdən yeni performans nəticəsi və ya eksperimental tapıntı əlavə edilməmişdir.

Mənbə daxilində bəzi mühüm uyğunsuzluqlar qorunmuşdur. Xülasənin verdiyi bəzi ən yüksək dəqiqlik dəyərləri ətraflı nəticə cədvəlləri və qrafiklərdəki dəyərlərlə tam uyğun gəlmir. SWGAN arxitekturasında label ölçüsü səkkiz kimi yazıldığı halda əsas təsnifat təcrübələri on siniflidir. Dataset A-dakı bəzi bölmələrdə “limited training set” və “imbalance ratio” terminologiyası bir-biri ilə tam uyğun deyil. Case A/B cədvəlindəki 2000 W mühərrik dəyəri əvvəl müəyyən edilmiş 1000, 1500 və 3000 W mühərrik gücləri ilə uyğun gəlmir. Ablation bölməsində məlumat dəsti səhvən “bearing dataset” adlandırılmış və IT1 şiddəti iki fərqli dəyərlə verilmişdir. Bu qeyri-müəyyənliklər səssizcə düzəldilməmişdir.

Tədqiqatın əsas elmi dəyəri self-attention və gradient normalization ehtiva edən şərti generativ modelin azlıq mühərrik nasazlığı siniflərini cərəyan və vibrasiya spektrləri ilə dəstəkləməsini iki fərqli mühərrik məlumat dəstində sınaqdan keçirməsidir. Bununla belə nəticələr real vaxt gömülü sahə diaqnostikası və ya yaradılmış nümunələrin fiziki olaraq bir-birinə tam uyğunluğu üçün birbaşa sübut təşkil etmir.