Bu tədqiqat fırlanan maşınlarda nasazlıqların diaqnostikasının xüsusilə səs-küylü mühitlərdə və az sayda təlim nümunəsi olduqda niyə çətinləşdiyini araşdırır. Tədqiqatda təklif olunan metod hissəcik sürüsü optimallaşdırması yəni Particle Swarm Optimization (PSO) ilə tənzimlənən RBF nüvəli kaskad meşə yəni Kernelized Cascade Forest (KCForest) modelidir. Məqsəd vibrasiya siqnallarından çıxarılan tezlik xüsusiyyətlərindən istifadə etməklə gəmi ventilyatoru kimi fırlanan maşınlarda normal iş rejimini, ventilyator qanadının balanssızlığını, mühərrik altlığının boşalmasını və ventilyatorun sıxışmasını bir-birindən ayırmaqdır.

Tədqiqatda istifadə olunan məlumatlar üçfazalı asinxron mühərriklə işləyən gəmi ventilyatoru sınaq qurğusundan alınmış vibrasiya siqnallarına əsaslanır. Siqnallar əvvəlcə Sürətli Furye Çevrilməsi yəni Fast Fourier Transform (FFT) ilə tezlik oblastına çevrilmiş, sonra müxtəlif təsnifatçıların eyni xüsusiyyət vektorları üzərində performansı müqayisə edilmişdir. Təklif olunan KCForest metodu səs-küysüz sınaq mühitində %98,05 dəqiqlik əldə etmiş; 20 dB siqnal-səs-küy nisbətinə malik Qauss ağ səs-küyü altında isə sınaq dəqiqliyi %97,10 kimi bildirilmişdir. Bu, səs-küysüz vəziyyətlə müqayisədə cəmi 0,95 bənd azalma deməkdir.

Tədqiqatın mühüm tərəfi yalnız yüksək dəqiqlik bildirməsi deyil. Araşdırma ənənəvi təsadüfi meşə və kaskad meşə strukturlarının səs-küy altında necə zəifləyə bildiyini, nüvə xəritələnməsi və PSO ilə tənzimlənmiş parametrlərin bu zəifləməni necə azalda bildiyini göstərməyə çalışır. Lakin bu nəticələr resenziyadan keçməmiş preprint tədqiqatına və konkret gəmi ventilyatoru sınaq qurğusuna əsaslanır. Buna görə metod ümidverici görünsə də, bütün növ fırlanan maşınlarda qəti uğur zəmanəti kimi oxunmamalıdır.

Tədqiqatın əsas problemi nədir?

Fırlanan maşınlar ventilyatorlar, nasoslar, mühərriklər, turbinlər, generatorlar, gəmi köməkçi sistemləri və sənaye istehsal xətlərində istifadə olunan çoxsaylı avadanlıqların mərkəzində dayanır. Bu maşınlarda kiçik nasazlıq belə zamanla böyüyərək enerji itkisinə, istehsalın dayanmasına, təhlükəsizlik riskinə və ya bahalı texniki xidmət proseslərinə səbəb ola bilər. Buna görə nasazlığı erkən aşkar etmək yalnız texniki məsələ deyil, həm də istismar təhlükəsizliyi və texniki xidmət xərcləri baxımından kritik məsələdir.

Bu tədqiqatın diqqət yetirdiyi problem budur: Fırlanan maşınlardan alınan vibrasiya siqnalları nasazlıqlar haqqında çox dəyərli məlumat daşıyır; lakin bu siqnallar həmişə təmiz, nizamlı və asan ayrılan olmur. Real iş mühitlərində vibrasiya məlumatları səs-küy, sensor xətaları, ətraf mühit təsirləri, dəyişən yük, mexaniki boşluq və müxtəlif nasazlıq növlərinin bir-birinə bənzər izləri səbəbindən mürəkkəbləşir. Bu halda maşın öyrənməsi modeli yalnız “məlumatı əzbərləyən” struktur olarsa, real nasazlıq nümunəsini deyil, səs-küyün izini öyrənə bilər.

Tədqiqat xüsusilə iki çətinliyə diqqət çəkir:

• Səs-küy altında sabit nasazlıq ayrımı: Vibrasiya siqnalına xarici pozucu komponentlər əlavə edildikdə modelin təsnifat uğuru sürətlə azala bilər.
• Az nümunə ilə öyrənmə: Sənayedə hər nasazlıq növü üçün çox böyük məlumat dəstləri toplamaq həmişə mümkün deyil. Bəzi nasazlıqlar nadir baş verir, bəzilərini eksperimental şəkildə yaratmaq bahalı və ya risklidir.

Bu iki problem birləşdikdə nasazlıq diaqnostikası çətinləşir. Məsələn, ventilyator qanadının balanssızlığı ilə mühərrik altlığının boşalması vibrasiya siqnalında bəzi oxşar tezlik komponentləri yarada bilər. Üstəlik səs-küy əlavə edildikdə modelin bu iki vəziyyəti ayırması daha da çətinləşir. Tədqiqatın təklif etdiyi KCForest metodu məhz bu qarışıq sərhədləri daha yaxşı ayırmağı hədəfləyir.

Bu problem niyə vacibdir?

Ənənəvi texniki xidmət yanaşmasında maşın ya müəyyən intervallarla yoxlanılır, ya da nasazlıq aydın hala gəldikdən sonra müdaxilə edilir. Lakin müasir sənayedə məqsəd nasazlığın böyüməsini gözləmədən erkən xəbərdarlıq yaratmaqdır. Bu yanaşma adətən vəziyyət monitorinqi (condition monitoring) və proqnozlaşdırıcı texniki xidmət (predictive maintenance) başlıqları altında qiymətləndirilir.

Vibrasiya analizi bu sahədə çox geniş istifadə olunur, çünki fırlanan hissədəki balanssızlıq, boşluq, sürtünmə, sıxışma və ya rezonans təsiri çox vaxt vibrasiya siqnalında əks olunur. İnsan qulağı mühərrikdəki “qəribə səsi” bəzən necə hiss edirsə, vibrasiya sensorları da maşının mexaniki davranışındakı dəyişikliyi ədədi şəkildə qeydə ala bilər. Lakin insan qulağının intuitiv olaraq eşitdiyi hadisənin mühəndislik sistemində etibarlı qərara çevrilməsi üçün siqnal düzgün xüsusiyyətlərə ayrılmalı və dayanıqlı təsnifatçı ilə şərh edilməlidir.

Bu tədqiqatın əhəmiyyəti burada ortaya çıxır: Araşdırma gəmi ventilyatoru kimi praktik fırlanan maşın qurğusunda səs-küy və az məlumat şəraitinə daha davamlı təsnifatçı strukturu təklif edir. Dənizçilik tətbiqlərində ventilyatorlar, mühərriklər və köməkçi fırlanan avadanlıqlar gəmi təhlükəsizliyi və sistemin fasiləsizliyi üçün vacibdir. Lakin tədqiqatın nəticələri birbaşa bütün gəmi maşınlarına tətbiq edilmiş sahə sübutu kimi deyil, konkret sınaq qurğusunda əldə olunmuş eksperimental doğrulama kimi oxunmalıdır.

Tədqiqatın ədəbiyyatda və ya tətbiqdə cavab verdiyi boşluq

Tədqiqatda təsvir olunan ədəbiyyat boşluğu klassik təsnifatçıların və bəzi ansambl öyrənmə metodlarının səs-küylü və kiçik nümunəli şəraitdə məhdud qalmasıdır. Təsadüfi meşə (Random Forest, RF) çoxlu qərar ağacını birləşdirərək tək qərar ağacı ilə müqayisədə daha sabit nəticələr verə bilər. Lakin RF mürəkkəb vibrasiya siqnallarındakı dərin və çoxqatlı strukturu həmişə kifayət qədər təmsil etməyə bilər.

Kaskad meşə (Cascade Forest, CForest) isə bir neçə meşə qatını ardıcıl istifadə edərək daha dərin təmsil öyrənməyə çalışır. Bir qatın yaratdığı sinif ehtimalları növbəti qata əlavə məlumat kimi ötürülür. İlk baxışda bu güclü fikir kimi görünür; çünki model yalnız xam xüsusiyyətlərdən deyil, əvvəlki qatın “bu nümunə hansı sinfə daha yaxın ola bilər?” məlumatından da istifadə edir. Lakin tədqiqatın vurğuladığı problem budur: Əgər ilk qat səs-küy səbəbindən səhv ehtimal paylanması yaradırsa, bu xəta növbəti qatlara ötürülə və böyüyə bilər. Yəni kaskad struktur bəzən doğru məlumatı dərinləşdirmək əvəzinə, səs-küy mənşəli xətanı da dərinləşdirə bilər.

Təklif olunan KCForest yanaşması bu boşluğu iki vasitə ilə doldurmağa çalışır:

• RBF nüvə xəritələnməsi: Vibrasiya xüsusiyyətlərini qeyri-xətti oxşarlıq fəzasında yenidən ifadə edərək bir-birinə qarışan sinifləri daha asan ayrılan hala gətirməyi hədəfləyir.
• PSO ilə parametr optimallaşdırılması: Nüvə funksiyasının həssas parametrlərini əl ilə seçmək əvəzinə hissəcik sürüsü optimallaşdırması ilə axtarır.

Bu baxımdan tədqiqat yalnız “yeni təsnifatçı sınaqdan keçirdik” deməklə kifayətlənmir, CForest strukturundakı xəta ötürülməsi və kiçik nümunə həssaslığı problemlərini azaltmağa yönəlmiş arxitektura təklif edir.

Təsadüfi meşənin əsas məntiqi və Gini düsturu

Tədqiqatda əvvəlcə təsadüfi meşə alqoritminin əsası izah edilir. Təsadüfi meşə çoxlu qərar ağacını birləşdirir. Hər ağac təlim məlumatlarının fərqli nümunəsi və fərqli xüsusiyyət alt dəstləri ilə öyrədilir. Beləliklə tək ağacın həddən artıq öyrənmə riski azalır. Təsnifat zamanı ağacların qərarları birlikdə qiymətləndirilir.

Qərar ağaclarında düyünün bölünmə meyarlarından biri Gini indeksidir. Tədqiqatda verilən düstur belədir:

\[ Gini(M)=1-\sum_{k=1}^{K}p_k^2 \]

Burada M müvafiq düyündəki nümunə çoxluğunu; K sinif sayını; p_k isə M çoxluğu daxilində k sinfinə aid nümunələrin payını ifadə edir. Gini qiyməti azaldıqca düyün daha “təmiz” hesab edilir. Yəni həmin düyündəki nümunələrin böyük hissəsi eyni sinfə aiddirsə, Gini qiyməti aşağı düşür.

Gündəlik bənzətmə ilə düşünsək, içində yalnız qırmızı kürəciklər olan qutu çox nizamlı və təmiz qutudur. İçində qırmızı, mavi, yaşıl və sarı kürəciklər qarışıq olan qutu isə daha qeyri-müəyyəndir. Gini indeksi qərar ağacına bu qeyri-müəyyənliyi azaldacaq bölünmələri seçməyə kömək edir. Fırlanan maşın nasazlığının diaqnostikasında bu “kürəciklər” normal iş rejimi, ventilyator balanssızlığı, mühərrik boşluğu və ventilyatorun sıxışması kimi siniflərdir.

Kaskad meşə niyə təkbaşına yetərli olmaya bilər?

Cascade Forest strukturunda hər qat əvvəlki qatdan gələn sinif ehtimallarından yeni xüsusiyyətlər kimi istifadə edir. Tədqiqatda ilkin xüsusiyyət vektoru belə müəyyən edilir:

\[ x^{(0)} \in \mathbb{R}^{d} \]

Burada x^{(0)} ilkin emal və FFT-dən sonra əldə olunan başlanğıc xüsusiyyət vektorunu; d isə tezlik oblastı xüsusiyyətlərinin ölçüsünü ifadə edir. Başqa sözlə, vibrasiya siqnalının zamana görə dəyişən xam forması götürülür, tezlik komponentlərinə ayrılır və modelin işləyə biləcəyi ədədi vektora çevrilir.

Kaskad qatlarındakı giriş isə tədqiqatda belə verilir:

\[ x^{(l)}=[x^{(0)},p^{(l-1)}] \]

Burada x^{(l)} l-ci qatın girişini; x^{(0)} orijinal fiziki xüsusiyyətləri; p^{(l-1)} isə əvvəlki qatın yaratdığı sinif ehtimal vektorlarını ifadə edir. Bu struktur orijinal vibrasiya məlumatını itirmədən modelə əvvəlki qatın şərhini də əlavə edir.

Bu məntiq güclüdür, lakin səs-küylü mühitlərdə risklidir. Çünki əvvəlki qat yanlış ehtimal yaradırsa, növbəti qat bu səhvi də “xüsusiyyət” kimi istifadə edir. Tədqiqatın tənqid etdiyi nöqtə budur: Kaskad strukturun səs-küy filtrləmə mexanizmi yetərli deyilsə, xətaları qatlar arasında daşıya bilər.

KCForest-in əsas ideyası: Nüvə xəritələnməsi ilə sinifləri daha asan ayrılan hala gətirmək

Təklif olunan KCForest modeli CForest strukturuna nüvə xəritələnməsi mexanizmi əlavə edir. Tədqiqatda nüvə xəritələnməsinin ümumi ideyası bu düsturla ifadə olunur:

\[ \phi:\mathbb{R}^{d}\rightarrow H \]

Burada \(\phi\) məlumatı orijinal d-ölçülü xüsusiyyət fəzasından daha yüksək ölçülü Hilbert fəzasına daşıyan örtük çevirmə funksiyasıdır. H bu yeni yüksəkölçülü təmsil fəzasını ifadə edir. Bu çevirmənin məqsədi orijinal fəzada bir-birinə qarışmış görünən nasazlıq siniflərini yeni fəzada daha asan ayırmaqdır.

Bunu gündəlik nümunə ilə belə düşünə bilərik: İki fərqli nasazlıq növünün ikiölçülü qrafikdə üst-üstə düşdüyünü fərz edək. Qrafikə yalnız qarşıdan baxdıqda siniflər qarışıq görünür. Lakin eyni məlumatlara fərqli bucaqdan, daha yüksəkölçülü təmsil daxilində baxdıqda, əslində siniflər arasında ayırd edilə bilən struktur ortaya çıxa bilər. Nüvə metodu məlumatlara bu “başqa bucaqdan baxmaq” imkanını riyazi şəkildə verir.

RBF nüvəsi nə edir?

Tədqiqatda istifadə olunan nüvə funksiyası RBF, yəni Radial Basis Function nüvəsidir. Ümumi düstur belədir:

\[ K(x,z)=\exp(-\gamma \|x-z\|^2) \]

Burada x və z müqayisə olunan iki xüsusiyyət vektorudur. \(\|x-z\|^2\) bu iki vektor arasındakı kvadrat Evklid məsafəsini göstərir. \(\gamma\) nüvə eni parametridir və məsafə artdıqca oxşarlığın nə qədər sürətlə azalacağını müəyyən edir. \(\exp\) isə eksponensial funksiyadır.

Bu düsturun praktik mənası budur: İki vibrasiya nümunəsi bir-birinə çox bənzəyirsə RBF qiyməti yüksək olur; bir-birindən uzaqdırsa qiymət azalır. Beləliklə model yalnız ayrı-ayrı tezlik qiymətlərinə deyil, məsələn sinif mərkəzlərinə nə qədər bənzədiyinə də baxa bilər. Səs-küy altında bu yanaşma vacibdir, çünki təsadüfi səs-küy kiçik dalğalanmalar yarada bilər; lakin nasazlığa aid əsas nümunə düzgün miqyas seçildikdə daha sabit şəkildə təmsil oluna bilər.

Tədqiqatda istifadə olunan xüsusi RBF xüsusiyyət düsturu

Araşdırmada RBF nüvə xüsusiyyətləri nümunələrin sinif mərkəzlərinə olan məsafəsi əsasında hesablanır. Tədqiqatda verilən xüsusi düstur belədir:

\[ K_{i,c}=\omega \cdot \exp\left(-\gamma \cdot \frac{d^2_{i,c}}{\max(d^2)} \cdot 10\right) \]

Bu düsturda \(K_{i,c}\) i nömrəli nümunənin c nömrəli sinif mərkəzinə görə nüvə oxşarlığı qiymətidir. \(\omega\) nüvə xüsusiyyətinin çəkisidir; yəni bu yeni nüvə xüsusiyyətlərinin modelə nə qədər güclü töhfə verəcəyini tənzimləyir. \(\gamma\) RBF eni parametridir. \(d^2_{i,c}\) i nümunəsinin xüsusiyyət vektoru ilə c sinfinin mərkəz vektoru arasındakı kvadrat Evklid məsafəsidir. Tədqiqatda bu məsafə belə izah olunur:

\[ d^2_{i,c}=\|X_i-C_c\|^2 \]

Burada \(X_i\) i nömrəli nümunənin xüsusiyyət vektorunu; \(C_c\) c sinfinin mərkəz vektorunu ifadə edir. \(\max(d^2)\) termini məsafə qiymətlərini miqyaslamaq üçün istifadə olunur. Düsturdakı 10 vurğu əmsalı isə eksponensial funksiyanın hesablanmasında ədədi sabitliyi təmin etmək üçün istifadə olunan miqyaslama elementidir.

Bu düsturun maşın nasazlığı diaqnostikası baxımından mənası budur: Model hər vibrasiya nümunəsinin hər nasazlıq sinfinin mərkəzinə nə qədər bənzədiyini hesablayır. Məsələn, siqnal ventilyator qanadının balanssızlığı sinfinin mərkəzinə daha yaxındırsa, bu oxşarlıq qiyməti daha yüksək ola bilər. Lakin bu, təkbaşına yekun qərar deyil; KCForest bu nüvə xüsusiyyətlərini orijinal FFT xüsusiyyətləri və əvvəlki qatdan gələn ehtimal vektorları ilə birlikdə qiymətləndirir.

Qat daxilində və qatlararası xüsusiyyətlərin təkmilləşdirilməsi

KCForest-də hər qatda orijinal xüsusiyyətlər nüvə xüsusiyyətləri ilə genişləndirilir. Tədqiqatda bu genişləndirilmiş giriş belə ifadə olunur:

\[ X^{(l)}_{aug}=[X^{(l)},K^{(l)}] \]

Burada \(X^{(l)}_{aug}\) l-ci qatda genişləndirilmiş xüsusiyyət matrisidir. \(X^{(l)}\) həmin qata daxil olan mövcud xüsusiyyətləri; \(K^{(l)}\) isə eyni qatda hesablanan nüvə xüsusiyyətlərini təmsil edir.

Tədqiqatda hər qatda iki təsadüfi meşə və iki tam təsadüfi ağac meşəsindən istifadə olunduğu bildirilir. Bu fərqli meşələrin hər biri siniflərə aid ehtimal paylanması yaradır. Bir qatda M alt meşənin orta ehtimal çıxışı aşağıdakı düsturla göstərilir:

\[ P^{(l)}=\frac{1}{M}\sum_{m=1}^{M}P_m^{(l)} \]

Burada \(P^{(l)}\) l-ci qatın orta sinif ehtimal çıxışını; M alt meşələrin sayını; \(P_m^{(l)}\) isə m nömrəli meşənin l-ci qatda yaratdığı sinif ehtimal vektorunu ifadə edir. Bu ortalama əməliyyatı tək modelin təsadüfi xətasını azaltmağa kömək edir.

Bundan əlavə, qatda bütün meşələrin ehtimal çıxışları birləşdirilərək belə genişləndirilmiş ehtimal matrisi yaradılır:

\[ P^{(l)}_{layer}=[P_1,P_2,\ldots,P_F] \]

Burada F müvafiq qatda meşələrin sayını göstərir. Bu struktur sayəsində model eyni vibrasiya nümunəsinə fərqli meşələrin necə baxdığını birlikdə istifadə edir. Yəni qərar yalnız bir ağacın və ya bir meşənin hökmünə buraxılmır.

Erkən dayandırma mexanizmi niyə lazımdır?

Kaskad modellərdə qatların sayını davamlı artırmaq həmişə daha yaxşı nəticə vermir. Qatların sayı lazımsız şəkildə artarsa, model məlumatdakı real nasazlıq nümunəsini deyil, təlim məlumatına xas təsadüfi detalları öyrənə bilər. Bu da həddən artıq öyrənmə riskini artırır.

Tədqiqatda buna görə validasiya uğuruna əsaslanan erkən dayandırma mexanizmindən istifadə olunur. Abstrakt dayandırma şərti belə verilmişdir:

\[ Acc^{(l)}\leq \max_{k

Burada \(Acc^{(l)}\) l-ci qatın validasiya dəqiqliyini; \(\max_{k isə əvvəlki qatlar arasında əldə olunmuş ən yaxşı validasiya dəqiqliyini ifadə edir. Əgər yeni qat əvvəlki ən yaxşı nəticəni yaxşılaşdırmırsa, kaskad böyümə dayandırılır. Bu, modelin lazımsız dərinləşməsinin qarşısını almaq üçün istifadə olunur.

PSO burada nəyi optimallaşdırır?

Tədqiqatda PSO RBF nüvə mexanizmində kritik olan üç parametri optimallaşdırmaq üçün istifadə olunur:

• \(\gamma\): RBF nüvəsinin en parametridir. Oxşarlığın məsafə ilə nə qədər sürətlə azalacağını müəyyən edir.
• \(\omega\): Nüvə xüsusiyyətlərinin ümumi çəkisidir. Bu xüsusiyyətlərin modelə töhfə səviyyəsini tənzimləyir.
• \(c_w\): Sinif mərkəzi çəki əmsalıdır. Sinif mərkəzlərinin miqyaslanması vasitəsilə qərar sərhədlərinin formalaşmasına təsir edir.

PSO-nu gündəlik bənzətmə ilə ərazi üzərində ən yaxşı nöqtəni axtaran kiçik quş sürüsü kimi düşünə bilərik. Hər hissəcik mümkün parametr kombinasiyasını təmsil edir. Hissəciklər həm özlərinin keçmişdə tapdığı yaxşı mövqeyi, həm də sürünün ümumilikdə tapdığı ən yaxşı mövqeyi nəzərə alaraq hərəkət edir. Beləliklə parametr fəzasında daha yüksək dəqiqlik verən sazlamalar axtarılır.

Tədqiqatda PSO axtarışı 20 dB SNR səviyyəsində Qauss ağ səs-küyü olan mühitdə aparılmışdır. Hissəciklərin sayı 10 kimi verilmişdir. Parametr intervalları \(\gamma\) üçün [0,5, 8], \(\omega\) üçün [0,5, 4] və \(c_w\) üçün [0,8, 1,5] olaraq müəyyən edilmişdir. Ətalət çəkisi iterasiyalar boyunca 0,8-dən 0,4-ə azaldılmışdır. Koqnitiv əmsal və sosial öyrənmə əmsalı isə 1,5 kimi istifadə edilmişdir.

Üçölçülü PSO optimallaşdırma qrafikində ən yaxşı həllin təxminən \(\gamma=1{,}654\), \(\omega=1{,}022\), \(c_w=0{,}988\) və uyğunluq qiymətinin 0,9475 olduğu göstərilir. Bu qiymətlər modelin səs-küylü mühitdə siniflərarası ayrımı qoruyacaq nüvə miqyası tapdığını göstərməyi hədəfləyir.

Təcrübə qurğusu və nasazlıq növləri

Tədqiqatda istifadə olunan sınaq obyekti üçfazalı asinxron mühərriklə hərəkətə gətirilən gəmi ventilyatorudur. Ventilyator mühərrikinin texniki göstəriciləri belədir: 380 V nominal gərginlik, 4,6 A nominal cərəyan, 1,1 kW nominal güc, 50 Hz nominal tezlik və 1400 dövr/dəq nominal fırlanma sürəti.

Dörd iş vəziyyəti araşdırılmışdır:

• f1: Normal vəziyyət
• f2: Ventilyator qanadının balanssızlığı nasazlığı
• f3: Mühərrik altlığının boşalması nasazlığı
• f4: Ventilyatorun sıxışması nasazlığı

Vibrasiya məlumatları maqnitlə yapışdırılan sensorla toplanmışdır. Sensor həssaslığı 10,20 mV/g, bias gərginliyi 12,40 V və nümunələmə tezliyi 1652 Hz kimi verilmişdir. Hər siqnal qrupunun nümunələmə müddəti 2 saniyədir. Hər sınaq üçün 20 məlumat dəsti toplanmış, hər ventilyator vəziyyəti üçün 50 sınaq aparılmış və ümumilikdə 4000 sınaq məlumatı əldə edilmişdir. Sınaqlar arasında 5 dəqiqə fasilə verilərək avadanlığın temperaturunun sabitləşməsi və ətraf mühit təsirlərinin nəzarət altında saxlanması hədəflənmişdir.

FFT ilə vibrasiya siqnalından tezlik xüsusiyyətlərinin çıxarılması

Tədqiqatda bütün təsnifatçılar üçün ortaq xüsusiyyət vektorundan istifadə edilmişdir. Bu addım vacibdir, çünki müxtəlif alqoritmlərin müqayisə edilə bilməsi üçün modelə verilən məlumat eyni olmalıdır. Vibrasiya siqnalları zaman oblastından tezlik oblastına FFT ilə çevrilmişdir. Mənfi tezlik komponentləri çıxarılmış, FFT amplitud spektri xüsusiyyət kimi seçilmiş və min-maks normallaşdırma tətbiq edilmişdir.

FFT-nin buradakı mənası budur: Zaman oblastındakı vibrasiya siqnalı maşının zaman ərzində necə titrədiyini göstərir. Tezlik oblastı isə bu titrəmənin hansı tezliklərdə cəmləndiyini göstərir. Nasazlıq diaqnostikasında bu çox dəyərlidir; çünki müxtəlif nasazlıqlar müxtəlif tezlik komponentlərini gücləndirə və ya enerjini fərqli tezlik zonalarına daşıya bilər.

Qrafik və şəkillərdə göstərilən fiziki fərqlər

Tədqiqatda mühərrikin fərqli vəziyyətlərinə aid vibrasiya siqnalları və spektr qrafikləri müqayisə edilir. Normal vəziyyət olan f1-də vibrasiya amplitudu daha sabit görünür. Ventilyator qanadının balanssızlığı və mühərrik altlığının boşalması vəziyyətlərində periodik impuls xüsusiyyətləri daha nəzərəçarpacaq olur. Ventilyatorun sıxışması zamanı isə daha davamlı yüksək tezlikli vibrasiya nümunəsi müşahidə olunur.

Spektr nəticələri nasazlıq növləri arasındakı fiziki fərqləri daha aydın göstərir. Normal vəziyyətdə f1 üçün əsas tezlik pikinin 576,50 Hz ətrafında olduğu, ümumi enerjinin daha cəmlənmiş və spektral entropiyanın daha aşağı olduğu bildirilir. Bu, maşının daha nizamlı və sabit işlədiyini göstərir. Ventilyator qanadının balanssızlığı olan f2-də əsas tezlik 518,00 Hz-ə düşür; aşağı tezlik enerjisi və spektral entropiya artır. Bu, balanssız kütlə paylanmasının aşağı tezlikli vibrasiyaları artırması ilə uyğun gəlir.

Mühərrik altlığının boşalması olan f3-də əsas tezlik 518,50 Hz kimi verilmiş və vibrasiya enerjisinin yüksək tezlik zonasına keçdiyi bildirilmişdir. Bu vəziyyət boş struktur birləşmələrinin yüksək tezlikli rezonans təsirləri yaratması ilə əlaqələndirilir. Ventilyatorun sıxışması olan f4-də əsas tezlik 568,50 Hz-dir; ümumi enerji və spektral entropiya orta səviyyədədir. Bu da hava axınının maneələnməsi və ya sıxışma ilə bağlı xüsusi vibrasiya nümunəsinə işarə edir.

Bu qrafiklər birbaşa dərc edilməsə belə, tədqiqatın əsas ideyasını anlamaq üçün vacibdir: Model təsadüfi rəqəmlərlə işləmir; real mexaniki davranışların tezlik oblastındakı izlərini öyrənməyə çalışır. Yəni təsnifatçıya verilən FFT xüsusiyyətləri nasazlıqların fiziki təsirlərindən törəyən siqnallardır.

Səs-küy sınağı nəyi göstərir?

Tədqiqatda Qauss ağ səs-küyündən istifadə etməklə 20 dB SNR səviyyəsində səs-küylü mühit yaradılmışdır. Səs-küy amplitudunun orijinal siqnal amplitudunun təxminən %10-u olduğu bildirilmişdir. Bu sınağın məqsədi modelin yalnız təmiz laboratoriya siqnallarında deyil, pozulmuş siqnal şəraitində də işləyib-işləmədiyini görməkdir.

Səs-küy əlavə etmək siqnalın üzərinə təsadüfi dalğalanmalar bindirməyə bənzəyir. Model yalnız təmiz məlumatda uğurludursa, lakin səs-küydə performansı kəskin zəifləyirsə, sənaye istifadəsi baxımından məhdud qalır. KCForest-in əsas iddiası RBF nüvə xəritələnməsi və PSO ilə optimallaşdırılmış parametrlər sayəsində bu səs-küy təsirinin daha yaxşı azaldıla bilməsidir.

Nəticələr nə göstərir?

Səs-küysüz mühitdə KCForest-in validasiya dəqiqliyi %98,75, sınaq dəqiqliyi %98,05 kimi verilmişdir. Eyni şəraitdə CForest-in sınaq dəqiqliyi %98,25 ilə KCForest-dən bir qədər yüksəkdir. RF isə %98,05 sınaq dəqiqliyi ilə KCForest-lə eyni qiyməti vermişdir. Buna görə tədqiqatın nəticələri dürüst şəkildə belə oxunmalıdır: Təmiz məlumat şəraitində KCForest təkbaşına açıq fərqlə ən yüksək sınaq dəqiqliyini yaratmamışdır; CForest və RF kimi meşə əsaslı metodlar da çox güclü performans göstərmişdir.

Lakin səs-küylü mühitdə mənzərə dəyişir. 20 dB SNR səs-küyü altında KCForest-in sınaq dəqiqliyi %97,10-a düşür. Bu azalma səs-küysüz mühitlə müqayisədə cəmi 0,95 bənddir. CForest-in sınaq dəqiqliyi eyni səs-küy şəraitində %94,85-ə enir. RF-nin sınaq dəqiqliyi %90,15-ə düşür. Bu, KCForest-in xüsusilə meşə əsaslı müqayisə modellərinə nisbətən səs-küy altında daha sabit qaldığını göstərir.

Burada mühüm bir detal da nəzərdən qaçırılmamalıdır: Səs-küylü mühit cədvəlində KELM modeli %97,90 sınaq dəqiqliyi ilə KCForest-dən daha yüksək qiymət vermişdir. ELM də %97,00 ilə KCForest-ə çox yaxındır. Buna görə tədqiqat “bütün alqoritmlər arasında hər şəraitdə mütləq ən yaxşı nəticə KCForest-ə məxsusdur” kimi oxunmamalıdır. Daha düzgün ifadə budur: KCForest xüsusilə kaskad meşə və təsadüfi meşə ailəsi ilə müqayisədə səs-küyə davamlılıq və kiçik nümunə sabitliyi baxımından aydın üstünlük göstərir; KELM kimi digər nüvə əsaslı modellər də səs-küylü sınaqda güclü nəticə vermişdir.

Kiçik nümunə təcrübələri nəyi göstərir?

Tədqiqatın ən mühüm hissələrindən biri təlim nümunələrinin azaldıldığı təcrübədir. Təcrübə 20 dB səs-küylü mühitdə aparılmışdır. Təlim dəstinin müxtəlif nisbətlərindən istifadə etməklə modellərin az məlumatla necə davrandığı araşdırılmışdır. Təlim nümunələrinin nisbəti %10-dan %50-yə qədər 5 bəndlik addımlarla artırılmışdır.

KCForest təlim nümunələri çox azaldıqda belə nisbətən yüksək dəqiqliyi qorumuşdur. Yalnız %10 təlim nümunəsindən istifadə edildikdə, yəni tədqiqatda göstərildiyi kimi 80 təlim nümunəsi ilə KCForest validasiya dəqiqliyi %92,00 və sınaq dəqiqliyi %90,25 kimi bildirilmişdir. Eyni şəraitdə CForest-in sınaq dəqiqliyi %76,15-dir. Bu fərq nüvələşdirilmiş qat strukturunun az məlumat və səs-küy birləşdikdə ənənəvi kaskad meşə ilə müqayisədə daha sabit qərar sərhədləri yarada bildiyini göstərir.

Təlim nümunəsi nisbəti %20-yə yüksəldikdə KCForest-in validasiya dəqiqliyi %94,17, sınaq dəqiqliyi %94,05 olur. %45 təlim nümunəsi nisbətində KCForest səs-küylü sınaq dəstində %95,60 ilə bildirilmiş ən yüksək qiymətinə çatır. Bunun əksinə, CForest-in eyni zonalarda daha dalğalı performans göstərdiyi bildirilmişdir.

Bu nəticələrin praktik mənası budur: Sənayedə hər nasazlıq üçün çox sayda nümunə toplamaq mümkün olmadıqda, az nümunə ilə sabit işləyə bilən modellər daha dəyərlidir. KCForest-in sinif mərkəzlərinə görə nüvə oxşarlığını hesablaması az məlumat şəraitində siniflərarası məsafəni daha aydın etməyə kömək etmiş ola bilər. Lakin bu şərh tədqiqatın təcrübə şəraiti ilə məhduddur; fərqli maşınlar, sensorlar və nasazlıq növləri üçün yenidən sınaq tələb olunur.

Qarışıqlıq matrisi nəyi göstərir?

Tədqiqatda KCForest üçün səs-küysüz və səs-küylü sınaq şəraitlərində qarışıqlıq matrisi verilmişdir. Qarışıqlıq matrisi modelin hansı real sinifləri hansı proqnoz sinifləri ilə qarışdırdığını göstərir. Bu tip qrafiklər ümumi dəqiqlikdən daha çox məlumat verir; çünki ümumi dəqiqlik yüksək olsa belə, bəzi nasazlıq növləri digərlərindən daha çox qarışdırıla bilər.

Səs-küysüz mühitdə modelin ümumilikdə düzgün təsnifat apardığı görünür. Normal vəziyyət f1 üçün bəzi nümunələr f2, f3 və f4 ilə qarışdırılmışdır. f2 sinfi kifayət qədər aydın ayrılmışdır. f3 sinfində bəzi nümunələr f1 ilə qarışdırılmışdır. f4 sinfi isə səs-küysüz mühitdə aydın şəkildə düzgün tanınmışdır.

Səs-küylü mühitdə ən nəzərəçarpacaq qarışıqlıq f3 sinfində müşahidə olunur. Mühərrik altlığının boşalması olan f3 nümunələrinin mühüm hissəsi f1, yəni normal vəziyyət kimi proqnozlaşdırılmışdır. Bu tapıntı vacibdir; çünki ümumi dəqiqlik yüksək olsa belə, boşalma nasazlığının normal vəziyyətə bənzədilməsi texniki xidmət təhlükəsizliyi baxımından riskli ola bilər. Tədqiqat KCForest-in səs-küyə davamlı olduğunu göstərsə də, f3 sinfindəki qarışıqlıq modelin tam xətasız olmadığını açıq şəkildə ortaya qoyur.

Güclü tərəflər

• Səs-küyə davamlılıq: KCForest 20 dB səs-küy altında sınaq dəqiqliyindən yalnız 0,95 bənd itirmişdir.
• Kiçik nümunə performansı: %10 təlim nümunəsi ilə belə %90,25 sınaq dəqiqliyi bildirilmişdir.
• Fiziki xüsusiyyət bazası: Model xam məlumatdan təsadüfi xüsusiyyətlər əvəzinə FFT ilə çıxarılmış tezlik oblastı məlumatlarından istifadə edir.
• Nüvə əsaslı ayrım: RBF oxşarlıqları sinif mərkəzlərinə görə daha ayırdedici xüsusiyyətlər yaratmağı hədəfləyir.
• Adaptiv model dərinliyi: Erkən dayandırma mexanizmi lazımsız qat artımını və həddən artıq öyrənmə riskini azaltmağı hədəfləyir.
• Parametr optimallaşdırılması: RBF parametrləri PSO ilə qlobal şəkildə axtarılır; bu, parametrlərin əl ilə seçilməsi ilə müqayisədə daha sistemli yanaşmadır.

Məhdudiyyətlər

• Resenziya vəziyyəti: Tədqiqat resenziyadan keçməmiş preprintdir. Buna görə nəticələr ehtiyatla oxunmalıdır.
• Tək sınaq qurğusu: Təcrübələr konkret gəmi ventilyatoru və konkret dörd iş vəziyyəti üzərində aparılmışdır. Nəticələr bütün fırlanan maşınlara birbaşa ümumiləşdirilə bilməz.
• Simulyasiya edilmiş nasazlıq şəraiti: Tədqiqat ventilyator nasazlıqlarını sınaq qurğusunda yaradılmış şərait əsasında araşdırır; uzunmüddətli real sahə istifadəsinə dair sübut təqdim etmir.
• Səs-küy modelinin məhdudluğu: Səs-küy sınağı 20 dB Qauss ağ səs-küyü ilə aparılmışdır. Real sənaye səs-küyü həmişə bu modelə uyğun gəlmir.
• KELM müqayisəsi: Səs-küylü sınaqda KELM-in %97,90 dəqiqliklə KCForest-dən yüksək nəticə verdiyi görünür. Bu, KCForest-in bütün müqayisələrdə mütləq lider olmadığını göstərir.
• f3 qarışıqlığı: Səs-küylü qarışıqlıq matrisində mühərrik altlığının boşalması nümunələrinin bir hissəsi normal vəziyyətlə qarışdırılmışdır.

Tədqiqat nə deyir, nə demir?

Tədqiqat bunu deyir: PSO ilə optimallaşdırılmış RBF nüvə xəritələnməsi kaskad meşə strukturuna əlavə edildikdə, fırlanan maşın vibrasiya siqnallarında səs-küy və az nümunə şəraitində daha sabit nasazlıq təsnifatı təmin edə bilər. Xüsusilə CForest və RF kimi meşə əsaslı modellərlə müqayisədə səs-küy altında performans azalması daha məhdud qalmışdır.

Tədqiqat bunu demir: Bu metod hər növ fırlanan maşında, hər sensor mövqeyində, hər səs-küy növündə və real sahə şəraitində mütləq eyni nəticəni verəcək demir. Bundan əlavə, tədqiqat metodun kommersiya texniki xidmət sistemlərində birbaşa istifadə edilə biləcəyini və ya gəmi maşınlarında təhlükəsizlik zəmanəti verəcəyini sübut etmir. Tapıntılar sınaq qurğusu, məlumat dəsti, dörd nasazlıq sinfi, FFT xüsusiyyətləri və seçilmiş müqayisə alqoritmləri ilə məhduddur.

Keçmiş, bu gün və gələcək baxımından əhəmiyyəti

Keçmişdə nasazlıqların diaqnostikası əsasən mütəxəssis təcrübəsinə, hədd qiymətlərinə və sadə statistik xüsusiyyətlərə əsaslanırdı. Bu yanaşmalar bəzi aydın nasazlıqlarda işləsə də, mürəkkəb iş şəraitində yetərsiz qala bilər. Maşın öyrənməsi metodları bu boşluğu doldurmaq üçün inkişaf etdirildi; lakin onlar da səs-küy və az məlumat problemləri ilə üzləşirlər.

Bu gün sənaye obyektlərində, gəmilərdə və enerji sistemlərində sensor məlumatlarının həcmi getdikcə artır. Lakin çox məlumatın olması həmişə çoxlu keyfiyyətli etiketlənmiş nasazlıq məlumatı olduğu demək deyil. Xüsusilə nadir nasazlıqlar üçün nümunələrin sayı az ola bilər. Buna görə az məlumatla işləyə bilən və səs-küyə davamlı metodlar praktik dəyər daşıyır.

Gələcəkdə bu tip metodlar proqnozlaşdırıcı texniki xidmət sistemlərində daha ağıllı erkən xəbərdarlıq mexanizmlərinə töhfə verə bilər. Məsələn, gəmi ventilyatorunda vibrasiya nümunəsi tədricən normadan yayınırsa, sistem bunu texniki xidmət heyətinə erkən bildirə bilər. Lakin bunun üçün model müxtəlif gəmilərdə, mühərriklərdə, sensor yerləşdirmələrində, yüklərdə və uzunmüddətli sahə məlumatlarında doğrulanmalıdır.

Tədqiqatın Metodu və Nəticələri

Texniki metod axını

1. Məlumatların toplanması: Üçfazalı asinxron mühərriklə işləyən gəmi ventilyatorundan vibrasiya məlumatları toplanmışdır.
2. Nasazlıq sinifləri: Normal vəziyyət, ventilyator qanadının balanssızlığı, mühərrik altlığının boşalması və ventilyatorun sıxışması olmaqla dörd sinif müəyyən edilmişdir.
3. Siqnal emalı: Zaman oblastındakı vibrasiya siqnalları FFT ilə tezlik oblastına çevrilmişdir.
4. Xüsusiyyət seçimi: FFT amplitud spektri xüsusiyyət kimi istifadə edilmiş, mənfi tezlik komponentləri çıxarılmışdır.
5. Normallaşdırma: Min-maks normallaşdırma tətbiq edilərək müxtəlif tezlik komponentlərinin müqayisə edilə bilməsi hədəflənmişdir.
6. Məlumatların bölünməsi: Məlumatlar təlim, validasiya və sınaq dəstlərinə ayrılmışdır. Təlim dəsti %20, validasiya dəsti %30, sınaq dəsti %50 kimi istifadə edilmişdir.
7. PSO optimallaşdırılması: RBF nüvəsinin \(\gamma\), \(\omega\) və \(c_w\) parametrləri hissəcik sürüsü optimallaşdırması ilə axtarılmışdır.
8. KCForest təlimi: Hər qatda iki təsadüfi meşə və iki tam təsadüfi meşədən istifadə edilmişdir.
9. Qatlararası ötürmə: Orijinal FFT xüsusiyyətləri, RBF nüvə xüsusiyyətləri və əvvəlki qatın sinif ehtimalları birləşdirilmişdir.
10. Erkən dayandırma: Validasiya nəticəsi artmadıqda kaskad struktur dayandırılmışdır.
11. Müqayisə: KCForest; CForest, GNB, CART, RF, ELM, KELM və DELM ilə müqayisə edilmişdir.

Eksperimental məlumat və ölçmə göstəriciləri

Nasazlıq sinifləri və tezlik oblastı müşahidələri

PSO və RBF parametrləri

Səs-küysüz mühitdə təsnifatçı dəqiqlikləri

Bu cədvəl KCForest-in təmiz mühitdə güclü olduğunu göstərir; lakin CForest-in sınaq dəqiqliyi %98,25 ilə bir qədər yüksəkdir və RF də KCForest ilə eyni sınaq dəqiqliyinə çatmışdır. Buna görə KCForest-in əsas töhfəsi təmiz mühitdə mütləq üstünlükdən daha çox, səs-küy və az nümunə şəraitində sabitliyində ortaya çıxır.

20 dB səs-küylü mühitdə təsnifatçı dəqiqlikləri

Səs-küylü mühit cədvəli KCForest-in xüsusilə CForest və RF ilə müqayisədə daha az zəiflədiyini göstərir. KCForest-in səs-küysüz sınaq dəqiqliyi %98,05 olduğu halda, səs-küylü sınaq dəqiqliyi %97,10-dur. Bu 0,95 bəndlik azalma modelin səs-küyə qarşı dayanıqlı qaldığını göstərir. CForest-də azalma 3,40 bənd, RF-də isə 7,90 bənddir. CART və GNB səs-küy altında nəzərəçarpacaq dərəcədə zəifləmişdir.

Lakin KELM-in səs-küylü sınaq dəqiqliyi %97,90-dır və bu göstərici KCForest-in %97,10 nəticəsindən yüksəkdir. Buna görə KCForest xüsusilə meşə əsaslı metodlar arasında səs-küyə dayanıqlılıq baxımından güclü görünür; ancaq müqayisə edilən bütün alqoritmlər içində hər metrik üzrə təkbaşına ən yüksək nəticəni verməmişdir.

Kiçik nümunə nəticələri

Bu nəticələr KCForest-in az nümunə ilə səs-küy birləşdikdə ənənəvi kaskad meşə quruluşuna nisbətən daha sabit olduğunu göstərir. Tədqiqatın şərhinə görə, nüvələşdirilmiş ara qatlar siniflərarası paylanma boşluğunu genişləndirir və qərar ağaclarının daha etibarlı bölmə nöqtələri tapmasına kömək edir.

Nəticələrin gündəlik həyata və sənayeyə təsiri

Bu tədqiqatın gündəlik həyata dolayı təsiri nasazlıqların erkən aşkarlanması ilə bağlıdır. Gəmidəki ventilyator, istehsal müəssisəsindəki mühərrik və ya enerji sistemindəki fırlanan avadanlıq gözlənilmədən sıradan çıxdıqda yalnız maşın dayanmır; təhlükəsizlik, vaxt, xərc və əməliyyat davamlılığı da təsirlənir. Vibrasiya məlumatlarından nasazlıq diaqnostikası apara bilən daha dayanıqlı modellər texniki xidmət qruplarının vaxtında müdaxilə etməsinə kömək edə bilər.

Sənaye baxımından belə bir model xüsusilə sensor məlumatlarının olduğu, lakin etiketlənmiş nasazlıq nümunələrinin az olduğu yerlərdə dəyərli ola bilər. Məsələn, hər müəssisədə minlərlə normal iş nümunəsi ola bilər; lakin ventilyatorun sıxılması və ya mühərrik altlığının boşalması kimi nasazlıqlar az sayda qeydə alınmış ola bilər. KCForest-in kiçik nümunə şəraitindəki performansı bu baxımdan əhəmiyyətlidir.

Bununla belə, tədqiqat real istehsal müəssisəsində və ya real gəmi maşın şöbəsində uzunmüddətli sahə tətbiqinə dair sübut təqdim etmir. Buna görə metod potensial ağıllı texniki xidmət yanaşması kimi qiymətləndirilməli; təhlükəsizlik baxımından kritik sistemlərdə istifadə edilməzdən əvvəl müxtəlif avadanlıqlarda, fərqli yük şəraitində və real səs-küy mühitlərində doğrulanmalıdır.

Mənbə və Metod Qeydi

Bu məqalə Qinming Tan, Duankai Li, Jiawei Jiang və KunXiang Ge tərəfindən hazırlanmış “Fault Diagnosis Method for Rotating Machinery Based on Particle Swarm Optimization-Driven Kernelized Cascade Forest” başlıqlı tədqiqata əsasən hazırlanmışdır. Tədqiqat SSRN-də təqdim olunan preprint araşdırma məqaləsidir. Mətndə açıq şəkildə “This preprint research paper has not been peer reviewed” ifadəsi yer aldığı üçün ekspert rəyindən keçməmişdir.

Məzmunda təsvir edilən metod tədqiqatda verilən KCForest modeli, PSO optimallaşdırması, RBF nüvə xəritələnməsi, FFT əsaslı vibrasiya xüsusiyyətləri, gəmi ventilyatoru sınaq qurğusu, dörd nasazlıq sinfi və müqayisəli təsnifatçı nəticələrinə əsaslanır. Tədqiqatda olmayan kommersiya uğuru, qəti sahə uğuru, təhlükəsizlik zəmanəti və ya bütün fırlanan maşınlara ümumiləşdirilə bilmə iddiası əlavə edilməmişdir.

Tədqiqat eksperimental sınaq qurğusunda aparılmışdır. İstifadə edilən məlumatlar üçfazalı asinxron mühərriklə işləyən gəmi ventilyatorundan toplanmış vibrasiya siqnallarıdır. Tədqiqatda səs-küyə dayanıqlılıq üçün 20 dB SNR səviyyəsində Qauss ağ səs-küyündən istifadə edilmişdir. Bu, real sənaye səs-küyünün bütün növlərini təmsil etdiyi anlamına gəlmir. Bundan əlavə, tədqiqat real gəmi maşın şöbəsində uzunmüddətli sahə doğrulaması təqdim etdiyini iddia etmir.

Preprint xarakteri səbəbindən nəticələr ehtiyatla oxunmalıdır. KCForest modeli xüsusilə səs-küy və az təlim nümunəsi şəraitində ümidverici nəticələr göstərir; lakin müxtəlif avadanlıq növləri, fərqli sensor yerləşdirmələri, müxtəlif nasazlıq sinifləri və real sahə şəraiti altında əlavə doğrulama tələb olunur.