Изилдөөдө сунушталган кыймылдаткыч өндүрүшүнүн сапатын болжолдоо алкагы гетерогендүү өндүрүш сенсорлорунан келген 12.000 параметрден ашыгын иштетип, кемчиликтүү кыймылдаткычтарды классификациялоо жана кыймылдаткычтын иштөө көрсөткүчтөрүн үзгүлтүксүз болжолдоо үчүн иштелип чыккан, edge түзмөктөрүндө иштей ала турган бириктирилген машиналык үйрөнүү тутуму болуп саналат. Архитектура үч негизги компонентти колдонот: жогорку өлчөмдүү жана ызы-чуулуу сенсор маалыматтарын кысуучу Sparse Autoencoder (SAE), аз сандагы кемчиликтүү үлгүлөрдү натыйжалуураак аныктоону көздөгөн Class-Specific Weighted Ensemble (CSWE) жана кыймылдаткычтын ар башка иш режимдери үчүн ар башка регрессиялык эксперттерди колдонгон Adaptive Regime-Switching Regression (ARSR). Тутум үч коомдук маалымат топтомунда жана чыныгы H4 кыймылдаткыч чогултуу линиясында бааланган. Өнөр жайлык колдонууда кемчиликти аныктоочу Recall көрсөткүчү %69,20 көрсөткүчүнөн %76,92 көрсөткүчүнө жогорулап, орточо чыгаруу кечигүүсү 80 ± 3 ms болгон жана үч айлык пилоттук мезгилде кыймылдаткычтарды оңдоо/кайра иштетүү үлүшү %7,2 азайганы кабарланган. Ошол эле учурда %76,92 Recall авторлор сапатты камсыздоо үчүн идеалдуу деп көрсөткөн >%95 максаттан төмөн; мындан тышкары бир модалдуу таблицалык сенсор маалыматтары микроскопиялык түзүмдүк аномалияларды толугу менен кармай албайт.

Изилдөөнүн негизги инженердик маселеси — автомобиль кыймылдаткычтарын чогултуу линияларындагы сенсор маалыматтарынын көлөмү гана чоң эмес, физикалык жактан да гетерогендүү болушу. Бурама момент, айлануу бурчу, кыймылдаткычтын айлануу ылдамдыгы, температура, басым жана агып кетүү сыяктуу чоңдуктар ар башка масштабдарда өлчөнөт; сенсорлор электромагниттик тоскоолдуктарды, жетишпеген маалыматтарды, жогорку корреляцияны жана иш фазаларына жараша статистикалык өзгөрүүлөрдү камтыйт. Мындан тышкары, кемчиликтүү кыймылдаткычтардын саны кадимки кыймылдаткычтарга салыштырмалуу өтө аз. Бул шарттар жалпы тактыгы жогору болгону менен чыныгы кемчиликтердин маанилүү бөлүгүн өткөрүп жиберген моделдерди жаратышы мүмкүн.

Изилдөө бул көйгөйлөрдү бир эле оор терең үйрөнүү модели менен чечүүнүн ордуна тапшырмаларды бөлөт. Биринчи баскычта SAE жалпы жашыруун өзгөчөлүк мейкиндигин түзөт. Андан кийин классификация тапшырмасында CSWE ар бир базалык классификатордун белгилүү кемчилик класстарындагы жөндөмдүүлүгүнө жараша салмакталган добуш берүүнү колдонот. Регрессия тапшырмасында ARSR бир глобалдык регрессия функциясынын ордуна ар башка иш режимдерине ылайык жергиликтүү эксперттерди колдонот. Коомдук benchmark'тарда режимдер SAE жашыруун өзгөчөлүктөрүнүн үстүндө K-Means менен табылса, чыныгы өндүрүш линиясындагы edge версиясында эсептөө чыгымын азайтуу үчүн Start-up, High-speed жана Idle режимдери түздөн-түз RPM чек аралары аркылуу багытталган.

Кыймылдаткыч өндүрүшүнүн сапатын болжолдоо эмне үчүн кыйын?

Заманбап кыймылдаткыч чогултуу линиясында сапат тууралуу маалымат бир эле сенсордон келбейт. Өндүрүштүн ар башка станцияларында болтту тартуу моменти, айлануу бурчу, геометриялык боштуктар, герметикалуулук, басым, агым, кыймылдаткычтын айлануу ылдамдыгы, температура жана ECU параметрлери сыяктуу миңдеген өзгөрмөлөр пайда болот. Булак изилдөөдөгү өнөр жай маалымат базасы OP10дон OP130га чейинки өндүрүш станцияларын камтыган үч негизги физикалык маалымат чөйрөсүндө уюштурулган: процесс маалыматтары, сапат маалыматтары жана иштөө көрсөткүчтөрү боюнча маалыматтар.

Тартуу станцияларындагы механикалык сигналдар 5 Hz үлгүлөө жыштыгы менен катталган. EOL иштөө стендиндеги маалыматтар кыймылдаткычтын функционалдык абалын чагылдырган айлануу ылдамдыгы жана момент сыяктуу өзгөрмөлөрдү камтыйт. Engine ID ар башка станциялардан келген бардык жазууларды бир эле физикалык кыймылдаткыч менен байланыштырган негизги ачкыч болуп саналат.

Маалыматтардын убакыт сызыгы кантип кайра түзүлдү?

Чийки жазуулар Engine ID → Category/Workstation → Inspection Time иерархиясы боюнча иреттелген. Ошентип, бир эле кыймылдаткычка тиешелүү ар башка өндүрүш станцияларындагы сенсор өлчөөлөрү хронологиялык чогултуу траекториясына айландырылган.

Кемчиликти классификациялоодогу Pass/Fail белгилери жана регрессия үчүн колдонулган RPM/Torque максаттары сертификатталган EOL тест стендинен алынган. Чечим чек арасына жакын айрым үлгүлөрдү тажрыйбалуу сапат инженерлери кол менен кайра карап чыгышкан.

Жетишпеген жана ызы-чуулуу маалыматтар кантип иштетилди?

Алдын ала иштетүү бир убакта төрт операциядан турган:

1. Чектен чыккан маанилерди алып салуу,
2. Жетишпеген маанилерди сандык интерполяция менен толтуруу,
3. Жылмалоочу фильтрлер менен ызы-чууну азайтуу,
4. Физикалык масштабдарды стандартташтыруу.

Сенсор каналы же үлгүдөгү жетишпеген маалыматтардын үлүшү %30 деңгээлинен ашканда тиешелүү маалымат алынып салынган. Бул чек жөн гана эмпирикалык фильтр катары калтырылбастан, изилдөөнүн ичинде физикалык жактан да талкууланган. 5 Hz үлгүлөөдө ырааттуу чекиттер болжол менен 0,2 s аралыкта жайгашат. %30 өлчөмүнөн ашык жоготуу белгилүү иш терезелеринде болжол менен 0,8-1,0 s узактыктагы сокур зоналарды жаратышы мүмкүн. Критикалык механикалык өтүүлөр болжол менен 1,5-2,0 s сыяктуу тар терезелерде жүрөрү эске алынса, мындай жоготуу чыныгы динамикалык белгини жок кылышы мүмкүн.

Авторлор чек кыйла катуу, мисалы <%10 кылынса, татаал өнөр жай чөйрөсүндө чогултулган үлгүлөрдүн %40 көрсөткүчүнөн көбү ташталышы мүмкүн экенин белгилешет. Мындай фильтрлөө окуу көлөмүн гана кыскартпастан, моделдин идеалдуу сенсор шарттарын гана көрүшүнө жана чыныгы өндүрүштөгү ызы-чуулуу кемчилик үлгүлөрүн үйрөнө албай калышына алып келиши мүмкүн.

Sparse Autoencoder Бул Изилдөөдө Эмне Иш Аткарат?

Sparse Autoencoder (SAE) ар башка масштабдагы жана 12.000 параметрден ашыгын камтыган сенсор маалыматтарын төмөн өлчөмдүү жашыруун чагылдырууга кысып, сейректик жазасы аркылуу туруктуу эмес же маалымат алып жүрбөгөн сенсор ызы-чуусун басуу үчүн колдонулган сызыктуу эмес өзгөчөлүк чыгаруу компоненти болуп саналат.

PCA Whitening жана стандартташтыруу

Өнөр жай сенсор маалыматтарында момент менен басым сыяктуу өзгөрмөлөрдүн ортосунда күчтүү көп сызыктуу байланыш болушу мүмкүн болгондуктан, изилдөө өнөр жай маалыматтары үчүн PCA Whitening колдонгон:

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

Бул жерде \(X\) киргизүү матрицасы, \(\mu\) окуу маалыматтарынан эсептелген орточо маани, \(U\) өздүк векторлор матрицасы, \(\Lambda\) өздүк маанилер матрицасы, \(I\) бирдик матрица жана \(\epsilon\) сандык туруктуулук мүчөсү. Трансформация өзгөрмөлөрдүн дисперсияларын масштабдоо менен бирге корреляция түзүмүн да ажыратууну көздөйт.

AI4I, SECOM жана C-MAPSS сыяктуу өлчөмү төмөн benchmark маалыматтарында маалымат түзүмүнө жараша Z-Score же Min-Max масштабдоо колдонулган. Маалымат агып кетишинин алдын алуунун эң маанилүү чарасы — стандартташтыруу статистикаларын жана SAE салмактарын тек гана белгиленбеген окуу маалыматтарынан үйрөнүү жана валидация менен тест үлгүлөрүнө ошол эле тоңдурулган трансформацияны колдонуу.

SAEнин жоготуу функциясы

Булакта берилген бириктирилген SAE максат функциясы:

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

Биринчи мүчө — киргизүү сигналын кайра түзүү катасы жана негизги маалыматты сактоону көздөйт. Экинчи мүчө \(\lambda\) менен салмакталган L2 салмак жазасы болуп, моделдин татаалдыгын чектейт. Үчүнчү мүчө \(\beta\) менен салмакталган сейректик жазасы. \(KL(\rho\|\hat{\rho}_j)\) жашыруун бирдиктин орточо активдүүлүгүн \(\hat{\rho}_j\) төмөн максат активдүүлүгүнө \(\rho\) жакындатат.

Бул түзүм SAEге өлчөмдү азайтуу менен гана чектелбестен, дайыма активдүү болбогон жана маалымат алып жүрбөгөн жашыруун өзгөчөлүктөрдү басууга мүмкүндүк берет. Изилдөө тармак параметрлерин L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) алгоритми менен оптималдаштырган.

Noise-Aware Residual Fusion

Терең кысуу жогорку жыштыктагы чыныгы физикалык деталдардын бир бөлүгүн да жоготушу мүмкүн болгондуктан, булак шарттуу чийки-сигнал калдыктуу байланышын колдонгон:

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

\(\gamma\in\{0,1\}\) эки иш режимин тандайт.

• Mode I, \(\gamma=0\): Өтө жогорку өлчөмдүү жана ызы-чуулуу өнөр жай маалыматтарында SAEнин жашыруун өзгөчөлүктөрү гана колдонулат. Максат өлчөмдү жана ызы-чууну мүмкүн болушунча азайтуу.
• Mode II, \(\gamma=1\): Өлчөмү төмөнүрөөк жана таза benchmark маалыматтарында стандартташтырылган чийки өзгөчөлүктөр менен SAE өзгөчөлүктөрү бирге колдонулат.

Булак бул чечимди сигнал-ызы-чуу катышы менен киргизүү өлчөмүнүн биргелешкен таасирине байланыштырат. Өнөр жай тутумунда \(N_{in}\) болжол менен 10.000 же андан жогору болгондуктан, чыныгы edge deployment \(\gamma=0\) режиминде иштетилген.

Кыймылдаткычтын иш режимдерин бөлүү

Кыймылдаткычтын EOL тест цикли үч физикалык режимге бөлүнгөн:

• Start-up Phase (SUP): тез жана болжол менен сызыктуу ылдамдануу,
• High-Speed Phase (HSP): жогорку жыштыктагы жана көбүрөөк сызыктуу эмес динамика,
• Idle Phase (IP): төмөн амплитудалуу, туруктуу иштөө.

Бул фазалардын ортосундагы өтүү аймактары тест стенди менен кыймылдаткыч бирге жараткан жогорку өтмө ызы-чуунун сапат белгисин бузушуна жол бербөө үчүн баалоодон чыгарылган. Булактын 11-бетиндеги 5-сүрөт үзгүлтүксүз айлануу ылдамдыгынын профилин жана SUP-HSP-IP чек араларын ачык көрсөтөт.

ARSR Эмне Үчүн Бир Регрессия Моделин Колдонуунун Ордуна Бир Нече Экспертти Колдонот?

Adaptive Regime-Switching Regression (ARSR) Start-up, High-speed жана Idle сыяктуу статистикалык түзүмдөрү ар башка кыймылдаткыч режимдерин бир глобалдык функцияга мажбурлоонун ордуна, ар бир режим үчүн валидация катасы эң төмөн болгон жергиликтүү регрессиялык экспертти тандоо үчүн иштелип чыккан.

Жалпы ARSR архитектурасы

Коомдук benchmark'тарда ARSR SAE жашыруун мейкиндигинде K-Means колдонуп режимдерди белгилөөсүз аныктайт:

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

Ар бир кластер үчүн LR, SVR, XGBoost жана GBR сыяктуу ар башка индуктивдик ыктоолорго ээ моделдерден эксперттердин пулу түзүлөт. Режим \(C_k\) үчүн тандалган модель:

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

түрүндө аныкталат. Башкача айтканда, алгоритмдин аты алдын ала туруктуу эмес; кайсы талапкер модель тиешелүү режимде валидация катасын минимумга түшүрсө, ошол эксперт колдонулат.

Чыныгы фабрикада K-Means эмне үчүн колдонулган эмес?

Өндүрүш линиясындагы edge версиясында ARSRнин K-Means негизиндеги режим табуусу атайын өзгөртүлгөн. Start-up, High-speed жана Idle фазалары физикалык RPM чектери менен детерминисттик түрдө эле аныктала алгандыктан, чыныгы системада K-Means ордуна ушул туруктуу физикага негизделген багыттоо колдонулган. Максат — онлайн кластерлөөнүн эсептөө чыгымын алып салуу, режим дайындоону толук кайталануучу кылуу жана 100 ms Takt убактысынын чегинен төмөн калуу.

Ошондуктан изилдөөдөгү эки ARSR конфигурациясын айырмалоо керек: benchmark/жалпы архитектура белгилөөсүз K-Means routing колдонсо, чыныгы чогултуу линиясындагы deployment RPM чектерине негизделген hard-switching колдонот.

CSWE Сейрек Кездешкен Кыймылдаткыч Кемчиликтерин Кантип Кармоого Аракет Кылат?

Class-Specific Weighted Ensemble (CSWE) бардык кемчилик класстары үчүн ар бир классификаторго бир глобалдык салмак берүүнүн ордуна, SVM, KNN, Gaussian Naive Bayes жана Bagging сыяктуу моделдердин ар бир кемчилик классындагы валидациялык F1 көрсөткүчүн өзүнчө компетенттүүлүк салмагы катары колдонот; ошентип сейрек кездешкен кемчиликтерди көпчүлүк класстын басымынан коргоону көздөйт.

Класска мүнөздүү компетенттүүлүк матрицасы

\(m\) классификатор жана \(n\) максаттуу кемчилик классы үчүн компетенттүүлүк матрицасы:

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

түрүндө аныкталат.

Булакта ар бир салмак класска мүнөздүү валидациялык F1 көрсөткүчүнүн негизинде төмөнкүдөй берилген:

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

Бул жерде \(P_{j,k}\) — \(j\)-классификатордун \(k\)-класс үчүн Precision мааниси; \(R_{j,k}\) болсо Recall мааниси. Булак формуласында \(\epsilon\) кошумча сандык туруктуулук мүчөсү катары көрсөтүлгөн.

Онлайн чечим баскычында базалык моделдердин бинардык чыгыштары \(V\in\{0,1\}^{m\times n}\) матрицасын түзөт. Ар бир класстын жалпы упайы:

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

түрүндө эсептелет.

Акыркы класс:

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

менен аныкталат. Ошентип, бир эле базалык классификатор бир кемчилик түрүндө жогорку, башка кемчилик түрүндө төмөн чечим салмагына ээ болушу мүмкүн.

Баалоо метрикалары эмне үчүн Recall борборлуу?

Кыймылдаткычтын сапатын көзөмөлдөөдө False Negative, башкача айтканда чындап кемчиликтүү кыймылдаткычты жарактуу деп кабыл алуу, False Positive себептүү кайра текшерүүдөн жогору чыгым алып келиши мүмкүн. Ошондуктан изилдөө жалпы Accuracy көрсөткүчүнө караганда өзгөчө Recall жана F1 маанилерин баса белгилейт.

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

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

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

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

Accuracy тең салмаксыз маалымат топтомунда жаңылыштыруучу болушу мүмкүн. Кемчилик үлүшү өтө төмөн болгондо дээрлик бардык кыймылдаткычтарды “нормалдуу” деп классификациялаган модель жогорку Accuracy ала алат, бирок маанилүү кемчиликтерди өткөрүп жиберет. Ошондуктан Recall сапат текшерүү чекитинде кемчиликти түз кармоочу көрсөткүч болуп саналат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Өнөр жай маалымат топтому

Чыныгы өндүрүш маалыматтары алдыңкы автоунаа өндүрүүчүнүн H4 чогултуу линиясындагы JL478QEA-AJ кыймылдаткыч моделинен алынган. Маалымат Engine Test Data Management Database аркылуу Engine ID негизги ачкычы менен бириктирилген.

Окутуу жана тестке бөлүүдө бир эле физикалык кыймылдаткычтан келген үлгүлөр эки топко тең кирип калбашы үчүн кыймылдаткычтын сериялык номери боюнча катуу топтоо колдонулган. Бул деталь маанилүү; анткени бир эле кыймылдаткычка тиешелүү жогорку деңгээлде байланышкан сенсор бөлүктөрүнүн окуу жана тест топтомдорунда тең болушу көрсөткүчтөрдү жасалма түрдө жогорулатмак.

Коомдук benchmark маалымат топтомдору

Бул benchmark'тардын максаты үч маалымат топтомунда бир эле колдонмону туурап чыгуу эмес. Ар бири системанын башка компонентин стресс-тесттен өткөрөт: класс тең салмаксыздыгы, жогорку өлчөмдүү ызы-чуу же жашыруун иш режимдери.

Жабдык жана программалык камсыздоо

Классификация тапшырмалары жана AI4I Tool Wear натыйжалары 10 көз карандысыз иштетүүнүн орточо мааниси жана стандарттык четтөөсү менен берилген. Кымбатыраак NASA C-MAPSS убакыт катар эксперименттери 5 көз карандысыз иштетүү боюнча бааланган.

Классификация натыйжалары: AI4I

SAE + CSWE эң жогорку F1 маанисин берген. XGBoost жогору Recall чыгарган, бирок Precision маанисинин төмөн болушу көбүрөөк жалган сигнал дегенди билдирет. Ошондуктан изилдөөнүн дооматы “ар бир метрикада эң мыкты” болуу эмес, кемчиликти кармоо менен жалган сигналдын ортосунда тең салмактуу натыйжа берүү болуп саналат.

Классификация натыйжалары: UCI SECOM

SECOM натыйжалары Accuracy эмне үчүн тең салмаксыз класстарда өз алдынча жетишсиз экенин өзгөчө жакшы көрсөтөт. Мисалы, SVMдин Accuracy мааниси %91,66 болсо да, Recall болгону %6,67. SAE + CSWE төмөнүрөөк Accuracyга карабастан кемчиликтердин кыйла чоң бөлүгүн кармап, %49,05 Recall алган.

Регрессия метрикалары

Регрессия тапшырмаларында үч негизги метрика колдонулган:

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

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

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

MSE чоң каталарды квадраттык түрдө көбүрөөк жазалайт. \(R^2\) максат өзгөрмөсүндөгү вариациянын модель тарабынан түшүндүрүлгөн деңгээлин көрсөтөт. MAPE масштабдан көз каранды эмес пайыздык ката берет; бирок максат мааниси нөлгө жакындаганда математикалык жактан туруксуз болуп калышы мүмкүн. Бул акыркы көйгөй изилдөөнүн Idle фазасындагы айлануу ылдамдыгынын стандарттык четтөөсүн талдоодо түздөн-түз байкалган.

AI4I Tool Wear регрессиясы

SAE + ARSR эң төмөн MSE жана эң жогорку \(R^2\) маанисин алган, бирок MAPE боюнча CNN жана Transformer болжол менен бирдей же өтө аз төмөн маанилерди берген. Ошондуктан натыйжаны колдонулган бардык метрикалар боюнча абсолюттук үстөмдүк катары чечмелөөгө болбойт.

NASA C-MAPSS FD002 регрессиясы

ARSR FD002де эң төмөн MSE жана эң жогорку \(R^2\) көрсөткүчүн берген. Ошол эле учурда MAPE боюнча XGBoost жана Bagging төмөнүрөөк маанилерди көрсөткөн. Бул натыйжа дагы модель иштөөсүн колдонулган ката метрикасына жараша баалоо керек экенин көрсөтөт.

Абляция эксперименттери SAE жана режим бөлүүнүн ролу жөнүндө эмнени көрсөттү?

Сейректик жазасын алып салуу SECOM F1 көрсөткүчүн %33,17 көрсөткүчүнөн %23,94 көрсөткүчүнө түшүргөн. Чийки стандартташтырылган сенсорлорду түз колдонуу Accuracyни жогорулатканы менен Recall маанисин %49,05 көрсөткүчүнөн %40,48 көрсөткүчүнө төмөндөткөн. Булак муну чийки жогорку өлчөмдүү ызы-чуу көпчүлүк класска ыктоону жаратышы менен түшүндүрөт.

NASA FD002де режим бөлүүнү алып салуу MSEни 424,49 маанисинен 474,45 маанисине жогорулаткан. Бул жыйынтык алты ар башка иш шартын бир глобалдык регрессия функциясына мажбурлоо ката жаратарын жана жергиликтүү эксперт стратегиясы көп режимдүү процесстерде пайдалуу экенин колдойт.

Чыныгы H4 линиясында кемчилик классификациясы

Recall көрсөткүчүндөгү абсолюттук өсүш 7,72 пайыздык пункт. Бул табылга булакта “кемчилик кармоочу Recall көрсөткүчүндө %7,72 жакшыртуу” деп кыскача баяндалат. Бирок %76,92 мааниси изилдөөнүн өз талкуусунда сапатты камсыздоо үчүн идеалдуу деп эсептелген >%95 деңгээлинен кыйла төмөн.

Чыныгы линияда кыймылдаткычтын үзгүлтүксүз иштөө көрсөткүчүн болжолдоо

Регрессия максаты айдоочу талап кылган кыймылдаткыч айлануу ылдамдыгы эмес. Тест стендиндеги туруктуу жүк протоколунун шартында кыймылдаткычтын күтүлгөн функционалдык жообу болжолдонот. Модель орточо айлануу ылдамдыгы жана айлануу ылдамдыгынын стандарттык четтөөсү үчүн “нормалдуу жүрүм-турум” базасын түзөт. Бул базадан четтөөлөр сүрүлүү аномалиясы же ECU калибрлөө көйгөйү сыяктуу майда көйгөйлөргө ишарат кылуучу жардамчы көрсөткүчтөр катары колдонулат.

Кыймылдаткычтын орточо айлануу ылдамдыгы үчүн ARSR:

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

тандаган жана L-S-S эксперт тизмеги жалпы %2,276 MAPE берген. Жалгыз LR үчүн MAPE %2,646, жалгыз SVR үчүн %2,350 деп берилген.

Кыймылдаткычтын айлануу ылдамдыгынын стандарттык четтөөсүн болжолдоодо SVR-GPR-Bagging эксперттик айкалышы колдонулуп, жалпы MAPE %39,00 болгон. Бул маани жогору көрүнөт; бирок өзгөчө Idle фазасында чыныгы стандарттык четтөө нөлгө абдан жакын болгондуктан MAPEнин бөлүүчүсү өтө кичине болуп калат. Булак чакан абсолюттук каталар ушундан улам өтө чоң пайыздык каталарга айланарын белгилейт.

Idle фазасындагы абсолюттук болжолдоо катасы ±10 RPM өнөр жай толеранттуулугунун ичинде калганы кабарланган. Ошондуктан MAPEнин бул режимде жалгыз физикалык иштөө көрсөткүчү катары колдонулушу чектелүү экени кабыл алынган.

Edge Deployment Бул Изилдөөдө Чынында Канчалык Тез жана Канчалык Ийгиликтүү?

Чыныгы H4 кыймылдаткыч чогултуу линиясында колдонулган edge версиясы орточо 80 ± 3 ms чыгаруу кечигүүсү менен 100 ms Takt убактысынын чегинде иштеп, үч айлык пилоттук мезгилде кыймылдаткычты оңдоо/кайра иштетүү үлүшү %7,2 азайганы кабарланган; бирок булак бул операциялык жакшыртууну бир убакыттагы көзөмөлдөнгөн себептик эксперимент менен бөлүп көрсөтпөгөндүктөн, %7,2 мааниси байкалган талаа натыйжасы катары чечмелениши керек.

Edge оптималдаштыруунун эки негизги чечими

Биринчи оптималдаштыруу: Онлайн K-Means routing ордуна кыймылдаткыч режими түздөн-түз RPM чектери менен аныкталган. Ошентип кластер дайындоо эсептөөсү алып салынган.

Экинчи оптималдаштыруу: \(\gamma=0\) колдонулуп, downstream моделге SAEнин кысылган жашыруун өзгөчөлүктөрү гана берилген. 10.000 ашуун чийки өзгөчөлүктү edge процессордо ташуу жана эсептөө алдын алынган.

Бул конфигурация Intel Xeon E5-2680 v4 негизиндеги line-side edge түзмөктөрүндө орточо 80 ± 3 ms чыгаруу убактысын камсыз кылган. Изилдөө муну 100 ms Takt убактысынын чеги менен салыштырат.

Үч айлык пилоттук өндүрүш натыйжасы

Авторлор үч айлык пилоттук иштен кийин кыймылдаткычтарды оңдоо/кайра иштетүү үлүшү %7,2 азайганын билдиришкен. Бул ыкма benchmark маалымат топтомдорунда гана эмес, чыныгы өндүрүш иш агымында да иштетилгенин көрсөтүшү жагынан маанилүү.

Ошол эле учурда булакта өзүнчө көзөмөл линиясы, рандомизацияланган салыштыруу же башка өндүрүш процессиндеги өзгөрүүлөрдү статистикалык жактан бөлүп көрсөткөн себептик таасир дизайны берилген эмес. Ошондуктан %7,2 мааниси түз байкалган пилоттук мезгилдин иштөө көрсөткүчү болуп саналат; аны алгоритм жалгыз өзү жараткан так себептик таасир катары кеңейтүүгө болбойт.

Чаташуу матрицалары эмнени көрсөтөт?

Булактын 21-бетиндеги 12-сүрөт UCI SECOM үстүндөгү 10 көз карандысыз иштетүүнүн жыйынды чаташуу матрицаларын көрсөтөт. LightGBM 86, Bagging 76 жана XGBoost 95 чыныгы кемчиликти кармаган. XGBoost ошол эле учурда 234 жалган сигнал чыгарган. Сунушталган CSWE болсо 103 чыныгы кемчиликти кармап, 231 False Positive чыгарган.

Бул салыштыруунун негизги билдирүүсү CSWE Recallду гана көбөйтпөстөн, Recall өсүп жатканда жалган сигналдардын санын көзөмөлдөөгө аракет кылышы.

Изилдөө колдогон жыйынтыктар

• SAEнин сейректик түзүмү жогорку өлчөмдүү жана ызы-чуулуу сенсор маалыматтарында кемчилик классификациясына өлчөөгө боло турган салым кошкон.
• Класска мүнөздүү салмактоо тең салмаксыз кемчилик класстарында Recall жана F1 көрсөткүчтөрүн жакшырта алган.
• Иш режимдерине жараша эксперт тандоо көп режимдүү регрессия тапшырмаларында бир глобалдык моделге салыштырмалуу катаны азайта алган.
• Сунушталган архитектура чыныгы H4 кыймылдаткыч өндүрүш линиясындагы CPU негизиндеги edge жабдыгында 100 ms чектин ичинде иштеген.
• Үч айлык чыныгы өндүрүш пилотунда оңдоо/кайра иштетүү үлүшү %7,2 азайганы кабарланган.

Изилдөө колдобогон жыйынтыктар

• Тутум бардык кыймылдаткыч кемчиликтерин кармабайт; өнөр жай Recall көрсөткүчү %76,92.
• Натыйжаларды бардык автоунаа өндүрүүчүлөргө, бардык кыймылдаткыч үй-бүлөлөрүнө жана бардык чогултуу линияларына автоматтык түрдө жалпылоого болбойт.
• %7,2 өндүрүш жакшыртуусу көзөмөлдөнгөн себептик таасир өлчөмү эмес.
• Учурдагы бир модалдуу таблицалык сенсор тутуму микроскопиялык түзүмдүк аномалиялардын баарын байкай албайт.
• Модель азыркы абалында үзгүлтүксүз онлайн үйрөнүү же автоматтык concept-drift ыңгайлашуусун аткарбайт.
• Idle фазасындагы жогорку MAPE маанилери өз алдынча начар физикалык иштөө дегенди билдирбейт; нөлгө жакындаган максат маани MAPEни математикалык түрдө көбөйтөт.

Чектөөлөр жана келечектеги изилдөө багыттары

Бир модалдуу маалымат чеги: Изилдөө негизинен таблица түрүндөгү момент, басым жана окшош процесс/сенсор өлчөөлөрүнө таянат. Авторлор кемчиликти жогорураак деңгээлде кармоо үчүн Acoustic Emission сенсорлору жана реалдуу убакыттагы визуалдык мониторинг сыяктуу кошумча модалдуулуктар керек болушу мүмкүн экенин белгилешет.

Белгисиздикти баалоо: Өзгөчө нөлгө жакын максаттарда чекиттик болжолдоо жана MAPE чектелүү болгондуктан, келечекте Bayesian Neural Networks сыяктуу ыктымалдык ыкмаларды жана ишеним интервалдарын баалоо сунушталат.

Concept drift: Модель белгилүү өндүрүштү турукташтыруу мезгилинде чогултулган статикалык окуу маалыматтары менен иштейт. Шайман эскиргенде, чөйрө температурасы же жеткирүүчү материал партиясы өзгөргөндө маалымат бөлүштүрүлүшү убакыттын өтүшү менен жылышы мүмкүн. Учурдагы версияда үзгүлтүксүз онлайн үйрөнүү механизми жок.

Жалпыланмалуулук: Ар башка кыймылдаткыч моделдеринде жана ар башка чогултуу линияларында өзүнчө текшерүү талап кылынат. Булак изилдөө бир физикалык линияда алынган өнөр жай ийгилиги универсалдуу өндүрүш көрсөткүчү дегенди билдирбесин кабыл алат.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: Predicting Car-Engine Manufacturing Quality with Multi-Sensor Data of Manufacturing Assembly Process

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

Жооптуу автор: Li Liu.

Мекемелер: 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.

Журнал: Sensors.

Басмакана: MDPI.

Библиографиялык жазуу: Sensors 2026, 26(5), 1651.

DOI: 10.3390/s26051651

Булак түрү: Рецензияланган изилдөө макаласы.

Макала бөлүмү: Industrial Sensors.

Келип түшкөн: 29 Январь 2026.

Ревизия: 21 Февраль 2026.

Кабыл алуу: 27 Февраль 2026.

Жарыялоо: 5 Март 2026.

Лицензия: Creative Commons Attribution (CC BY).

Өнөр жай тутуму: H4 кыймылдаткыч чогултуу линиясы; JL478QEA-AJ кыймылдаткыч модели.

Коомдук валидация маалымат топтомдору: AI4I 2020 Predictive Maintenance Dataset; UCI SECOM; NASA C-MAPSS FD002.

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

Адам/жаныбар изилдөөсү: Изилдөө адам катышуучулар же жаныбарлар үстүндө жүргүзүлгөн изилдөөнү камтыбай турганы айтылган.

Маалымат жеткиликтүүлүгү: Жыйынтыктарды колдогон маалыматтарды негиздүү суроо боюнча жооптуу автор Li Liuдан алууга болору көрсөтүлгөн.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Авторлордун салымы: Xinyu Yang, Li Liu жана Qing Tao концептуалдаштыруу; Xinyu Yang жана Li Liu ыкма; Xinyu Yang, Qianxi Zhang, Junjie Bao жана Nengchao Wu программалык камсыздоо; Qianxi Zhang, Xue Wang жана Nengchao Wu валидация; Xinyu Yang жана Qianxi Zhang формалдык талдоо; Xinyu Yang, Junjie Bao жана Xue Wang изилдөө; Li Liu жана Haijia Wu ресурстар; Xinyu Yang, Qianxi Zhang жана Nengchao Wu маалымат курациясы; Xinyu Yang алгачкы долбоор; Li Liu, Qing Tao жана Haijia Wu карап чыгуу/редакциялоо; Xinyu Yang жана Qianxi Zhang визуалдаштыруу; Li Liu жана Qing Tao көзөмөл; Li Liu жана Haijia Wu долбоорду башкаруу жана каржылоо ролдорун аткарышкан.

Негизги чечмелөө чеги: Өнөр жайлык валидация чыныгы өндүрүш линиясында жүргүзүлгөнү менен, бир кыймылдаткыч модели жана белгилүү чогултуу линиясынын контекстине гана тиешелүү. Recall көрсөткүчү %76,92 болуп, авторлор көрсөткөн >%95 идеалдуу QA максатынан төмөн. Учурдагы тутум таблицага негизделген бир сенсор модалдуулугуна гана таянат, онлайн concept-drift ыңгайлашуусун камтыбайт жана үч айлык %7,2 талаа жакшыртуусунун алгоритмге тиешелүү себептик үлүшү өзүнчө көзөмөлдөнгөн изилдөө менен ажыратылган эмес.