Бул изилдөө, асинхрондук моторлордоki подшипник бузулууlarını yalnızca tek bir сенсор sinyaline dайanarak değil; титирөө, ток, чыңалуу, айландыруучу момент жана айлануу ылдамдыгы маалыматlerini бирге баалуулукlendirerek диагностика etmeyi жана motorun bozulma sürecini болжолдоону amaçlamaktadır. Изилдөөчүлөр 7,5 kW gücünde үч фазалуу тыйын чычкан капастуу bir асинхрондук мотор üzerinde соо durum, ички шакек бузулууsı, тышкы шакек бузулууsı жана капас зыяны koşullarını beş ар башка жүк деңгээлиnde изилдеген. Ölçülen sinyallerden 200'den фазаla убакыт, жыштык, гармоника, конверт, waжанаlet жана MCSA tabanlı өзгөчөlik çıkarılmış; корреляция жетектеген өзгөчөlik füzyonundan sonra Random Forest, SVM, XGBoost жана MLP классlandırıcıları салыштырылган. En күчтүү классlandırıcılar Random Forest жана XGBoost olmuş; Random Forest %98,0 тактык, XGBoost болсо %97,0 тактык көрсөткөн. Ошентсе да натыйжалар kontrollü эксперимент düzeni жана изилдөөda oluşturulan маалымат иштетүү zinciri үчүн geçerlidir; изилдөө ар башка motor tipleri жана uzun döнымдуулук чыныгы өнөр жай ишкана koşulları үчүн түздөн-түз талаа başarжылуулук далилдебейт.

Изилдөөnın негизги yeniliği yalnızca daha фазаla сенсор kullanmak değildir. Изилдөөчүлөр сенсорlerden çıkarılan өзгөчөliklerin birbirleriyle ne kadar ilişkili болгонуnu Pearson корреляциясы, жыштык аймагыndaki coherence өлчөөлөрi жана өзгөчөлүк маанилүүлүгү bilgмененriyle баалуулукlendirerek daha айырмалоочу bir бириккен өзгөчөлүк мейкиндиги oluşturmайı amaçlamıştır. Böylece айnı физикалык olайı tekrar eden жогорку derecede ilişkili өзгөчөliklerin etkisi azaltılırken, ар башка сенсорlerin tamamlайıcı bilgi taşıyan өзгөчөliklerinin korunması hedeflenmiştir.

Teşhis баскычsına ek катары изилдөөda Degradation Index (DI), yani Деградация индекси adı маалыматlen 0 менен 1 arasında үзгүлтүксүз bir sторlık көрсөткүчsi oluşturulmuştur. DI төмөн болгонуnda система соо duruma, жогорку болгонуnda daha ciddi bozulmайa karşılık gelmektedir. Gaussian Process Regression (GPR) kullanılarak DI'nin gelecekteki gelişimi жана Remaining Useful Life (RUL; калган пайдалуу өмүр) ыктымалдуу катары болжолдоо edilmekte, айnı убакытda болжолдоо belirsizliği de hesaplanmaktadır.

Түркия жагынан изилдөө; электр кыймылдаткычтарыnın болжолдуу тейлөөı, üretim hatları, насостор, желдеткичlar, конвейерler жана benzeri айланма машина uygulamaları үчүн ыкмаsel катары dikkate баалуулук bir yaklашып кетүү сууnmaktadır. Бирок изилдөөdaki belirli босогоler, сенсор davranışları жана классификация başarıları ар башка motor gücü, подшипник tipi, жүк profili, сенсор жайгашуусу жана талаа ызы-чуусуne түздөн-түз aktarılmamalıdır. Түркия'deki чыныгы tesislerde kullanılmadan önce yerel makine жана изилдөө koşullarına göre yeniden валидация gerekir.

Изилдөөнүн негизги көйгөйү эмне?

Asenkron кыймылдаткычтарdaki подшипник bozulmaları механикалык титирөөde belirginleşebilse de бузулууnın etkisi yalnızca титирөө sinyalinde kalmaz. Aynı механикалык bozukluk ток гармоникаlerinde, айландыруучу момент dalgalanmasında жана ылдамдык değişimlerinde de iz bırakabilir. Buna karşılık tek сенсорe dайalı диагностика системаleri gürültüye, жүк değişimine же сенсоруn belirli bir бузулууya төмөн duyarlılığına karşı kırılgan болушу мүмкүн.

Изилдөөнүн hedeflediği boşluk bu noktadadır: ар башка физикалык alanları ölçen сенсорlerin маалыматsini bкислотаçe yan yana eklemek yerine, bu sinyaller arasındaki статистикалык жана spektral ilişkмененri kullanarak кайсы өзгөчөliklerin чыныгыten диагнозsal bilgi taşıdığını belirleyen bir füzyon mekanizması oluşturmak.

Çoklu сенсор системаi кайсы маалыматleri kullanıyor?

Deney düzeneğinde beş негизги физикалык büжүкlük бирге бааланган:

• Titreşim: Kistler 8763B IEPE üç окli ivmeölçer.
• Akım жана elektriksel büжүкlükler: Dewetron çok каналlı маалымат toplama системаi.
• Tork: HBK T22 айландыруучу момент өзгөрткүчsü.
• Dönme ылдамдыкı: DT-2234C+ takometre.
• Gerilim: elektriksel маалымат каналlarından alınan чыңалуу sinyalleri.

Изилдөөda 0, %25, %50, %75 жана %100 nominal жүк olmak üzere beş изилдөө koşulu колдонулган. İncelenen dört sторlık durumu Healthy, Inner-Race, Outer-Race жана Damage катары аныкталган.

Deneyde kullanılan motor жана подшипник

Rulman, 40 mm iç çap, 80 mm dış çap жана 18 mm genişliğe sahip 6208-ZZ derin oluklu bilyalı подшипникdır. Изилдөөчүлөр ички шакек, тышкы шакек жана kafes/зыян durumlarının титирөө жана elektriksel sinyaller üzerindeki ар башка etkмененrini баалуулукlendirmiştir.

Veri иштетүү zinciri кантип çalışıyor?

Ham sinyaller önce Savitzky–Golай yumuşatma жана тилке өткөрүүчү фильтрация менен işlenmiştir. Metodoloji sinyallerin 5–20 kHz aralığındaki жогорку үлгүлөө ылдамдыкlarında elde edildiğini, ardından 1 saniyelik жана %50 кабатталууli терезеlere өзүнчөldığını белгилейт.

Savitzky–Golай иштетүүinde yumuşatılmış sinyal:

\[ y(t)=\сууm_{k=-m}^{m}c_kx(t+k) \]

biçiminde ifade edilmektedir. Burada \(x(t)\) ham sinyali, \(c_k\) filtre katsайılarını жана \(m\) терезе büжүкlüğünü temsil eder.

Sensörlerin birimleri жана büжүкlükleri birbirinden ар башка болгонуndan Z-score normalizasyonu uygulanmıştır:

\[ \hat{x}(t)=\frac{x(t)-\mu}{\sigma} \]

Burada \(\mu\) sinyal орточоsı, \(\sigma\) стандарттык четтөө жана \(\hat{x}(t)\) normalize edilmiş баалуулукdir.

Hangi өзгөчөlikler çıkarıldı?

Изилдөө her убакыт терезеsinde 200'den фазаla өзгөчөlik түзгөн. Bunlar RMS, чокудан-чокуга баалуулукi, кыйшайыктык, kurtosis, crest factor, FFT bмененşenleri, спектралдык энергия, спектралдык энтропия, конверт талдоосу, waжанаlet өзгөчөlikleri, гармоникаler, slip ilişkili parametreler жана Motor Current Signature Analysis (MCSA) өзгөчөliklerini kapsamaktadır.

Örneğin RMS:

\[ RMS=\sqrt{\frac{1}{N}\сууm_{i=1}^{N}x_i^2} \]

катары hesaplanmaktadır. Frekans alanında болсо өзүнчөk Fourier dönüşümü:

\[ X(f)=\сууm_{n=0}^{N-1}x_ne^{-j2\pi fn/N} \]

менен ifade edilmiştir. Rulman бузулууlarının incelenmesinde BPFI, BPFO, BSF жана FTF gibi karakteristik жыштык bölgeleri колдонулат.

Korelasyon güdümlü füzyon ne түзүмyor?

Pearson корреляция katsайжылуулук iki өзгөчөlik arasındaki doğrusal ilişkinin gücünü өлчөйт:

\[ r=\frac{\сууm_{i=1}^{N}(x_i-\bar{x})(y_i-\bar{y})} {\sqrt{\сууm_{i=1}^{N}(x_i-\bar{x})^2\сууm_{i=1}^{N}(y_i-\bar{y})^2}} \]

Frekans alanındaki ilişki болсо coherence менен:

\[ C_{xy}(f)=\frac{|S_{xy}(f)|^2}{S_{xx}(f)S_{yy}(f)} \]

şeklinde бааланган. Burada \(S_{xy}\) кайчылаш güç spektral yoğunluğunu, \(S_{xx}\) жана \(S_{yy}\) болсо ilgili sinyallerin güç spektral тыгыздыкlarını temsil eder.

Изилдөөdaki сенсор grubu корреляцияları маанилүү bir noktайı gösterir: ток менен айландыруучу момент arasında +0,91 деңгээлinde күчтүү оң ilişki bulunurken ток менен ылдамдык arasında −0,96, айландыруучу момент менен ылдамдык arasında −0,89 деңгээлinde күчтүү ters ilişki vardır. Titreşim жана чыңалуу болсо diğer gruplara göre daha төмөн корреляция göstererek tamamlайıcı bilgi tашып кетүүaktadır.

Kайnakta маалыматlen салмакlandırma denklemi:

\[ w_j=\альфа|r_j|^\gamma+\beta\cdot coherence_j+\eta\cdot SHAP_j \]

biçimindedir. Изилдөөda seçмененn parametreler \(\альфа=0,35\), \(\beta=0,30\), \(\eta=0,20\) жана \(\gamma=0,15\) катары rapor edilmiştir. Ardından салмакlı өзгөчөlikler:

\[ F_{enh}=[w_1f_1,w_2f_2,\ldots,w_df_d] \]

şeklinde birleştirilmiştir.

Kайnak içi маанилүү not: Изилдөөnın кыскача жана giriş bölümlerinde füzyon архитектурасыnde mutual information da негизги bмененşenlerden biri катары баяндооlmaktadır. Buna karşın yukarıdaki маалыматlen matematiksel ifade Pearson корреляциясы, coherence жана SHAP terimlerini ачыкça göstermekte; mutual information үчүн өзүнчө bir terim көрсөтпөйт. Мындан тышкары \(\gamma\) denklemde üs катары kullanılırken metnin bir bölümünde салмак гиперпараметрlerinin toplamına dahil edilmektedir. Bu эмне үчүнle formül менен sөзгөчө ыкма ачыкlaması arasında tam bir tek-anlamlılık жок.

200'den фазаla өзгөчөlik кантип küçültüldü?

Füzyondan sonra Principal Component Analysis (PCA) uygulanmıştır. Изилдөөчүлөр 27 негизги bмененşenin toplam вариацияın болжол менен %95,8'ini koruduğunu bildirmektedir. Amaç, yüzlerce өзгөчөliğin taşıdığı bilginin büжүк bölümünü korurken иштетүү жүкünü жана өзгөчөlik tekrarını azaltmaktır.

Sınıf dengesizliği үчүн yalnızca окутуу маалыматlerine SMOTE uygulanmıştır. Изилдөөda соо классın болжол менен 2100 örnek içerdiği, бузулуу классlarının болсо болжол менен 700–750 örnek seviyesinde болгону; SMOTE sonrasında her окутуу классının болжол менен 2100 örneğe çıkarıldığı belirtilmektedir.

Sınıflandırmada кайсы модель daha başarılı?

Random Forest en жогорку toplam doğruluğu sторlamıştır. XGBoost çok yагымn ikinci sıradadır. SVM daha orta деңгээлde, MLP болсо bu экспериментde belirgin biçimde daha төмөн performans көрсөткөн.

Wilcoxon signed-rank тестi, Random Forest жана XGBoost'un SVM жана MLP'ye karşı gözlenen avantajlarının кайчылаш валидация katları boyunca статистикалык маанилүү болгонуnu көрсөткөн. Random Forest менен XGBoost arasındaki fark болсо \(p=0,084\) менен изилдөөнүн kullandığı \(p<0,05\) eşiğinde anlamlı değildir.

Деградация индекси кантип oluşturuluyor?

Изилдөөda өзүнчө бузулуу классlarının ötesine geçebilmek үчүн үзгүлтүксүз bir Деградация индекси аныкталган:

\[ DI(t)=\frac{\сууm_{i=1}^{M}w_i\hat{f}_i(t)} {\сууm_{i=1}^{M}w_i} \]

Burada \(w_i\) i'inci диагнозsal өзгөчөliğin торırlığını, \(\hat{f}_i(t)\) normalize edilmiş өзгөчөlik баалуулукini жана \(M\) kullanılan өзгөчөlik sайжылуулукnı temsil eder. DI, 0 менен 1 arasında normalize edilmiştir.

• 0 ≤ DI < 0,3: Normal bölge
• 0,3 ≤ DI < 0,7: Marjinal bölge
• 0,7 ≤ DI ≤ 1: Kritik bölge

Hasar классında орточо DI баалуулукi жүк жүкseldikçe 0,75'ten 0,95'e çıkmıştır. Dış bмененzik бузулууsında болсо 0,58'den 0,77'ye жүкselmiştir. İç bмененzik классında маанилер 0,51–0,70 aralığındadır. Sторlıklı durum жалпы катары төмөн kalmakla бирге %75 жүкte 0,31 жана %100 жүкte 0,25 маанилерi görülmektedir; bu эмне үчүнle жүк менен DI arasındaki ilişki her классta кемтиксууz monoton değildir.

Gaussian Process Regression эмне үчүн kullanılmış?

GPR yalnızca tek bir болжолдоо баалуулукi değil, болжолдоосуn belirsizliğini de üretmektedir. Изилдөөda постериордук орточо:

\[ \mu_* = K^T(K+\sigma_n^2I)^{-1}y \]

жана болжолдоо вариацияı:

\[ \sigma_*^2=k_{**}-K^T(K+\sigma_n^2I)^{-1}K \]

менен ifade edilmektedir. \(K\) окутуу noktaları arasındaki koвариация/kernel matrisini, \(\sigma_n^2\) gürültü вариацияını жана \(y\) gözlenen hedef маанилерini temsil eder.

Belirli bir gelecekte DI'nin бузулуу eşiği \(\tau\)'yu geçme мүмкүнlığı:

\[ P(DI(t+h)\geq\tau)=1-\Phi\left( \frac{\tau-\mu_*(t+h)}{\sigma_*(t+h)} \right) \]

менен hesaplanmaktadır. Böylece система yalnız “бузулууlı/бузулууsız” biçiminde değil, bozulmanın багыты, kalan ömür жана болжолдоо belirsizliği бирге ele alınarak баалуулукlendirilmektedir.

Изилдөө колдогон натыйжалар

• Çoklu сенсорlerden üretмененn өзгөчөliklerin корреляция жетектеген biçimde салмакlandırılması, изилдөөнүн эксперимент маалымат топтомуnde класс ажыратууını güçlendirmiştir.
• Random Forest жана XGBoost bu маалымат топтомуnde SVM жана MLP'den daha жогорку классификация başarжылуулук көрсөткөн.
• Random Forest doğruluğu 0,980, XGBoost doğruluğu 0,970 катары rapor edilmiştir.
• RF менен XGBoost arasındaki performans farkı kullanılan Wilcoxon тестinde статистикалык маанилүү değildir.
• DI, соо жана daha торır зыянlı durumları үзгүлтүксүз bir ölçek üzerinde айırabilmektedir.
• Daha жогорку DI маанилерi изилдөө натыйжаларыnda жалпы катары daha төмөн болжолдоосу RUL менен ilişkilidir.
• GPR, nokta болжолдоосуnin yanında белгисиздик bilgisi sторlайabilmektedir.

Изилдөө далилдебеген натыйжалар

• Бул изилдөө бардык асинхрондук моторлордо %98 диагностика başarжылуулук garanti etmemektedir.
• Sonучlar ар башка güç классları, подшипник tipleri же fabrikalardaki tüm изилдөө koşulları үчүн түздөн-түз жалпыleнымдуулукez.
• Изилдөө узак мөөнөттүү чыныгы fabrika флотсууnda бузулуу önleme катышını ölçmemiştir.
• RUL натыйжалары herкайсы bir motor үчүн түздөн-түз saat, gün же ай cinsinden стадияnsel kalan ömür sторlamaz.
• Изилдөө ротор çubuğu бузулууsı, stator sargı бузулууsı, eksantriklik жана tüm механикалык бузулуу türlerini эксперименттик катары валидацияmıştır.
• Yüksek классификация тактыгы tek başına чыныгы талааda айnı performansın korunacторını далилдебейт.

Изилдөөнүн маанилүү чектөөлөрү

Изилдөөчүлөр daha büжүк жана daha чыныгыçi өнөр жай маалымат топтомдоруyle валидация ihtiyacını ачыкça белгилейт. İncelenen бузулуу grupları sınırlıdır жана uzun döнымдуулук жазуулары kapsайan daha geniş экспериментlere gereksinim vardır. GPR'nin жогорку boyutlu маалымат üzerindeki эсептөө чыгымы, чыныгы убакыттагы uygulamalarda масштабдалуу пробlemi oluşturabilir. Изилдөөчүлөр өзүнчөca attention/Transformer tabanlı füzyon, sparse Gaussian process, физика-маалыматтуу модельler, domain adaptation жана edge/embedded uygulamaları gelecekteki geliştirme alanları катары көрсөтөт.

Kайnak içi ыкмаsel tutarlılık notu: Özet bölümünde маалымат ажыратууının “time-aware” болгону жана temporal leakage'i önlediği ifade edilmektedir. Buna karşılık ыкма bölümünde 70/30 окутуу-тест ажыратууı жана окутуу маалыматlerinin rastgele 10 fold'a bölünmesi tarif edilmiştir. Bu iki ачыкlamanın uygulama өзүнчөntıları булакta tam катары uzlaştırılmamıştır. Bu эмне үчүнle убакыт bторımlı маалымат kaçторının кайсы somut prosedürle önlendiği булак metinden tek anlamlı biçimde çıkarılamamaktadır.

Изилдөөнүн ыкмасы жана табылгалары

Deney жана маалымат toplama koşulları

Sinyal иштетүү табылгаларı

Kайnak изилдөөнүн 19–23. sайfalarındaki ham жана filtrelenmiş sinyal графlerinde жүк деңгээлиne жана бузулуу классına bторlı ток, титирөө, айландыруучу момент жана ылдамдык davranışları karşılaştırılmaktadır. Özellikle filtreleme иштетүүi ылдамдык жана айландыруучу момент sinyallerindeki стандарттык четтөөyı belirgin biçimde азайткан. Örneğin Damage-Speed үчүн стандарттык четтөө azalması %89,10, Healthy-Speed үчүн %88,56, InnerRace-Speed үчүн %87,94 жана OuterRace-Speed үчүн %87,62 катары маалыматlmiştir. Tork sinyalindeki azalma болсо классa göre болжол менен %48–55 aralığındadır.

Buna karşılık bazı ток sinyallerinde “Avg_Std_Reduction_Percent” маанилерi hafif терс rapor edilmiştir. Демек filtrelemenin бардык сенсорlerde стандарттык четтөөyı azaltan tek yönlü bir etki oluşturduğu söyleнымдуулукez.

Füzyondan önce жана sonra өзгөчөlik uzайı

Изилдөөnın t-SNE görselleştirmelerinde Healthy жана Outer-Race классları füzyon öncesinde de görece iyi өзүнчөlmıştır. Daha zor өзүнчөlan Inner-Race жана Damage kümeleri füzyon sonrasında daha düzenli жана daha kompakt hale gelmiştir. Bu görsel bulgu, füzyonun өзгөчөlikle birbirine yагымn бузулуу классlarındaki айырмалоочуliği geliştirdiği багытыndeki классификация натыйжаларыyla uyumludur.

Random Forest жана XGBoost эмне үчүн öne çıktı?

Random Forest жана XGBoost'un тактык, kesinlik, сезгичтик жана F1 skorları birbirine yагымn жана жогоркуtir. Изилдөөnın karışıklık matrislerinde Random Forest Healthy, Inner-Race жана Outer-Race классlarında çok күчтүү ажыратуу göstermiş; kalan негизги karışıklık Damage менен Inner-Race arasında ortайa çıkmıştır. XGBoost da benzer biçimde күчтүү натыйжалар жанаrmiştir.

SVM-RBF daha фазаla класс karışıklığı gösterirken MLP өзгөчөlikle Damage жана Outer-Race ажыратууında daha zайıf kalmıştır. ROC натыйжалары da айnı sıralamайı колдойт.

DI жана RUL бирге ne gösteriyor?

DI arttıkça изилдөөдөki RUL болжолдооleri жалпы катары azalmaktadır. Sторlıklı класс en төмөн DI жана en жогорку RUL bölgesinde, Damage классı болсо en жогорку DI жана en төмөн RUL bölgesindedir. Inner-Race жана Outer-Race bu iki уч arasında yer almaktadır.

Kайnakta маалыматlen убакыт serisi örneklerinde %100 жүкte Healthy koşulunun DI'si төмөн жана görece kararlı kalırken Damage koşulunda DI жогорку seviyeye doğru мененrlemekte, RUL azalmakta жана hesaplanan тобокелдик жүкselmektedir. Изилдөөчүлөр bu ilişkiyi bozulmanın үзгүлтүксүз izlenebildiğine dair негизги prognostik bulgu катары yorumlamaktadır.

Bilimsel yorum sınırı

Bu натыйжалар kontrollü эксперименттик сенсор маалыматsi менен eğitмененn жана баалуулукlendirмененn маалымат фокусlı bir алкакye aittir. Изилдөө, ыкмасыn чыныгы bir fabrikanın ар башка marka, güç, подшипник, жүк, температура, montaj жана gürültü koşullarında айnı тактыкla çalışacторını көрсөтпөйт. Gerçek талаа колдонууı үчүн makineye özgü yeniden окутуу, босого калибрлөөu жана uzun döнымдуулук валидация зарыл.

Булак жана ыкма эскертүүсү

Толук түпнуска изилдөө аталышы: Correlation-Driжанаn Multболсоnsory Fusion for Intelligent Fault Analysis in Induction Motors

Авторлор: Vasмененios I. Vlachou; Karolina Kudelina; Dimitrios E. Efstathiou; Stavros D. Vologiannidis; Tatjana Baraškova; Veroonika Shirokova; Theoklitos S. Karakatsanis.

Автор sırası: Kайnakta маалыматlen sıra айnen korunmuştur.

Eş katkı/eş birinci автор: Kайnakta eş katkı же eş birinci авторlık beyanı belirtilmemiştir.

Sorumlu автор: Karolina Kudelina.

Мекемеlar:

1. School of Electrical and Computer Engineering, National Technical Uniжанаrsity of Athens, Athens, Greece.
2. Applied Mechanics and Sustainable Energy Technology Research Group, Virumma College, Tallin Uniжанаrsity of Technology, Kohtla-Järжана, Estonia.
3. Department of Computer, Informatics and Telecommunications, International Hellenic Uniжанаrsity, Serres, Greece.
4. Department of Production and Management Engineering, Democritus Uniжанаrsity of Thrace, Xanthi, Greece.

Журнал: Machines.

Басма: MDPI, Basel, Switzerland.

Cilt/sайı/makale numarası: 14(6), 606.

DOI: 10.3390/machines14060606.

Булак түрү: Hakemli изилдөө makalesi.

Gönderim: 25 Nisan 2026.

Revizyon: 25 Mайıs 2026.

Kabul: 26 Mайıs 2026.

Yайın: 28 Mайıs 2026.

Lisans: Creatiжана Commons Attribution (CC BY).

Каржылоо: Изилдөө dış каржылоо almamıştır.

Маалымат жеткиликтүүлүгү: Авторлор özgün katkıların makale үчүнde yer aldığını, ek soruların sorumlu авторa yöneltмененbмененceğini belirtmiştir.

Кызыкчылыктар кагылышы: Авторлор кызыкчылыктар кагылышы olmadığını beyan etmiştir.

Автор katkıları: Kavramsallaştırma V.I.V.; ыкма V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. жана T.S.K.; yazılım V.I.V.; валидация V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. жана T.S.K.; biçimsel талдоо V.I.V.; изилдөө V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. жана T.S.K.; маалымат катып жетилүүasyonu V.I.V.; ilk taslak V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. жана T.S.K.; gözden geçirme/düzenleme K.K., D.E.E. жана T.S.K.; görselleştirme V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. жана T.S.K.; denetim K.K. жана T.S.K.

Resmî yайın kайdı: MDPI Machines, Volume 14, Isсууe 6, Article 606; DOI жазуу numarası yukarıda маалыматlmiştir.

Bu Verianla ачыкlaması bilimsel açıdan yalnızca incelenen изилдөөнүн ыкма, formül, таблица, сүрөт жана натыйжаларыna dайanmaktadır. Dış валидация yalnız bibliyoграф идентификация, yайın durumu жана lisans kontrolü үчүн kullanılmış; ana bilimsel içeriğe dışarıdan эксперименттик bulgu eklenmemiştir.

Kайnak içi tutarsızlıklar: (1) Özet bölümündeki “time-aware data splitting” ifadesi менен ыкма bölümündeki 70/30 жана rastgele 10-fold ачыкlaması tamamen кабатталууmektedir. (2) Füzyon архитектурасыnde mutual information sөзгөчө катары vurgulanırken маалыматlen салмак denkleminde bunun ачык өзүнчө terimi görülmemektedir. (3) Bazı ara ыкма ачыкlamalarında сенсор өзгөрмөlerinin adlandırılması ana экспериментde kullanılan ток, ылдамдык, айландыруучу момент, титирөө жана чыңалуу gruplarıyla tam uyumlu değildir. (4) Hiperparametre оптималдаштырууu bir yerde grid-search жана cross-validation üzerinden баяндооlırken sonraki paraграфta Adam “birincil оптималдаштыруу algoritması” катары диагнозmlanmaktadır. Bu noktalar булакta bulunduğu biçimiyle korunmuş, Verianla metninde спутникrma kesinlikle giderilmemiştir.

Изилдөө маанилүү bir эксперименттик жана маалымат фокусlı валидация сууnmakla бирге çok daha geniş motor флотları, ek бузулуу türleri, uzun döнымдуулук талаа жазуулары жана өзгөрмө чыныгы өнөр жай koşullarda ek валидация gerektirmektedir.