Изилдөө электр кыймылдаткычтарындагы бузулуу маалыматтары ден соолуктуу иштөө маалыматтарына салыштырмалуу кыйла аз болгондуктан пайда болгон класс тең салмаксыздыгы көйгөйүнө көңүл бурат. Изилдөөчүлөр үч фазалуу статор тогун жана титирөө өлчөөлөрүн бирге колдонгон, аз көрсөтүлгөн бузулуу класстары үчүн жасалма спектрдик үлгүлөрдү түзгөн SWGAN аттуу ыкманы иштеп чыгышат. SWGAN шарттуу Wasserstein GAN түзүлүшүн, спектрдеги алыс жыштык компоненттеринин ортосундагы байланыштарды кармоо үчүн self-attention жана adversarial окутуунун туруктуулугун жакшыртуу үчүн gradient normalization менен бириктирет.
Ыкма чийки сигналды түз классификациялабайт. Титирөө каналында Hilbert өзгөртүүсү аркылуу каптама спектри; үч фазалуу токто болсо Clarke өзгөртүүсүнөн кийин мейкиндик-вектор чоңдугунун спектри чыгарылат. SWGAN аз сандагы бузулуу класстарын ушул спектрдик мейкиндикте синтетикалык үлгүлөр менен толуктайт. Реалдуу жана түзүлгөн ток/титирөө өзгөчөлүктөрү андан кийин эки өзүнчө коддоо бутагында иштетилип, өзгөчөлүк деңгээлинде бириктирилет жана SAE негизиндеги классификаторго берилет.
Изилдөөнүн кеңири жыйынтыктарына ылайык туруктуу ылдамдыктагы PMSM маалымат топтомундагы орточо класс тең салмаксыздыгы Case Aда SWGAN %97,81 ± 0,53 тактык берген. Оорураак Case B шартында тактык %93,77 ± 1,12’ге төмөндөсө да WCGAN, ACGAN, DCGAN жана маалымат көбөйтүүсүз SAE базалык сызыгынан жогору калган. Өзгөрмө ылдамдыктагы асинхрондук кыймылдаткыч маалымат топтомунда да класс тең салмаксыздыгы азайган сайын SWGAN артыкчылыгы айкын болгон; Сүрөт 24’тө 1:10, 1:5 жана 1:2 шарттарында тиешелүүлүгүнө жараша %81,3, %91,7 жана %95,9 тактык билдирилген.
Жыйынтыктар синтетикалык маалымат ар бир шартта реалдуу маалыматка барабар дегенди билдирбейт. Эң оор маалымат тартыштыгы шартында GAN ыкмаларынын өндүрүмдүүлүк айырмасы азаят; башкача айтканда бир нече гана реалдуу бузулуу үлгүсү бар болсо, генеративдик модель үйрөнө ала турган маалымат да чектелүү бойдон калат. Изилдөө синтетикалык үлгүлөрдүн реалдуу бөлүштүрүлүшкө жакындыгын JS divergence, cosine distance, t-SNE жана UMAP менен баалайт, бирок түзүлгөн сигналдарды физикалык кыймылдаткычта кайра өндүрүп өлчөбөйт.
Түркия жагынан ыкма өнөр жай кыймылдаткычтары, өндүрүш машиналары же тейлөө системаларында сейрек бузулуу класстары боюнча маалымат жетишсиз болгон изилдөөлөр үчүн каралышы мүмкүн. Бирок изилдөө Түркиядагы заводдо, кыймылдаткыч паркында же тейлөө инфраструктурасында жүргүзүлгөн эмес. Жергиликтүү колдонуу үчүн реалдуу кыймылдаткыч түрлөрү, сенсор жайгашуусу, жүк/ылдамдык профилдери жана бузулуу бөлүштүрүлүшү менен кайра окутуу жана көз карандысыз текшерүү керек; изилдөөдөгү тактык маанилерин түз жергиликтүү талаа өндүрүмдүүлүгү катары кабыл алууга болбойт.
Кыймылдаткыч бузулуусун диагностикалоодо класс тең салмаксыздыгы эмне үчүн көйгөй?
Кыймылдаткыч нормалдуу абалда узак убакыт иштегенде айрым бузулуулар сейрек пайда болот. Ошондуктан маалымат базасында ден соолуктуу иштөө үлгүлөрү көп, ал эми өзгөчө белгилүү бузулуу түрлөрү же төмөн күчтөгү бузулуулар аз болушу мүмкүн.
Терең үйрөнүү классификатору мындай тең салмаксыз бөлүштүрүлүш менен үйрөтүлгөндө көпчүлүк класстын өзгөчөлүктөрүн жакшыраак үйрөнүп, сейрек бузулуу класстарынын чечим чек араларын жетиштүү үйрөнбөй калышы мүмкүн. Изилдөөнүн чечими реалдуу азчылык маалыматты жөн гана көчүрүүнүн ордуна анын бөлүштүрүлүшүн үйрөнүп, жаңы синтетикалык үлгүлөрдү түзүү.
Эмне үчүн эки башка сенсор колдонулат?
Изилдөө электрдик жана механикалык бузулуу маалыматы бири-бирин толукташы мүмкүн деген божомолго негизделет. Статор тогу электромагниттик бузулууларды чагылдырса, титирөө сигналдары механикалык реакцияны жана түзүлүштөгү өзгөрүүлөрдү алып жүрөт.
Ошондуктан ыкма бир эле сенсордон үлгү түзүүнүн ордуна ток жана титирөө спектрдик өзгөчөлүктөрүн бирге колдонот. Бирок булакта генерация баскычы ушул эки модалдуулуктун ортосунда атайын жалпы шайкештик жоготуусу менен үйрөтүлгөнү көрсөтүлгөн эмес; түзүлгөн модалдуулуктар кийин өзгөчөлүк деңгээлинде бириктирилет.
Титирөө сигналы кантип даярдалат?
Титирөө сигналы адегенде тандалган резонанс аймагынын айланасында тилке өткөрүүчү фильтрден өткөрүлөт:
\[ x_f(t)=B\{x(t)\} \]
Андан кийин Hilbert өзгөртүүсү менен аналитикалык сигнал түзүлөт:
\[ z(t)=x_f(t)+jH[x_f(t)] \]
Каптама амплитудасы:
\[ a(t)= \sqrt{x_f^2(t)+H[x_f(t)]^2} \]
түрүндө эсептелет. Анын Fourier өзгөртүүсүнүн абсолюттук мааниси титирөө каптама спектрин берет:
\[ E(f)=|\mathcal{F}\{a(t)\}| \]
Бул операция механикалык соккулар пайда кылган модуляция компоненттерин баса белгилөө үчүн колдонулат.
Үч фазалуу токтон кайсы өзгөчөлүк чыгарылат?
U, V жана W фазаларына туура келген үч фазалуу токтор Clarke өзгөртүүсү менен туруктуу αβ координат системасына өткөрүлөт:
\[ \begin{bmatrix} i_\alpha(t) \\ i_\beta(t) \end{bmatrix} = \frac{2}{3} \begin{bmatrix} 1 & -1/2 & -1/2 \\ 0 & \sqrt{3}/2 & -\sqrt{3}/2 \end{bmatrix} \begin{bmatrix} i_a(t)\\ i_b(t)\\ i_c(t) \end{bmatrix} \]
Мейкиндик-вектор чоңдугу:
\[ i_s(t)= \sqrt{i_\alpha^2(t)+i_\beta^2(t)} \]
түрүндө алынат жана андан кийин:
\[ S(f)=|\mathcal{F}\{i_s(t)\}| \]
менен ток спектри түзүлөт. Эки модалдуулук үчүн колдонулган акыркы спектрдик узундук 2400 чекит.
SWGAN эмнени өзгөртөт?
Негизги модель — шарттуу Wasserstein GAN. Кокустук ызы-чуу жана бузулуу классынын белгиси генераторго берилип, белгилүү бузулуу классына тиешелүү спектр түзүү көздөлөт.
SWGANдын эки негизги кошумча компоненти бар:
- Self-attention: Спектрдик тизменин бири-биринен алыс, бирок ошол эле бузулуу колтамгасынын бөлүгү болушу мүмкүн болгон компоненттеринин ортосунда байланыш түзүүгө багытталган.
- Gradient normalization: Дискриминаторду окутууда градиент масштабын нормалдаштырып, adversarial окутуунун туруктуураак жүрүшүн көздөйт.
Булакта GN spectral normalization сыяктуу ар бир катмардын салмагын чектеген механизм эмес, окутуу деңгээлинде колдонулган градиент масштабдоо ыкмасы катары аныкталат. Gradient penalty ыкмасынан айырмаланып, өзүнчө интерполяция үлгүлөрүн жана жөндөлүүчү жазалоо коэффициентин талап кылбай турганы айтылат.
Self-attention спектр ичинде кантип иштейт?
Киргизүү өзгөчөлүктөрү үч башка өзгөртүү аркылуу query-сыяктуу, key-сыяктуу жана value-сыяктуу көрсөтүүлөргө бөлүнөт. Эки өзгөчөлүктүн ортосундагы чийки көңүл байланышы:
\[ a_{i,j}=f(x_i)^Tg(x_j) \]
менен түзүлүп, softmax аркылуу салмакка айландырылат. Салмакталган өзгөчөлүктөр кийин баштапкы өзгөчөлүк картасына үйрөнүлүүчү \(\gamma\) коэффициенти аркылуу кошулат:
\[ y_i=\gamma o_i+x_i \]
Ошентип CNNдин жергиликтүү үлгү кармоо мүмкүнчүлүгү менен self-attentionдун алыскы спектрдик байланыштарды салмактоосу бир генератордун ичинде бириктирилет.
Түзүлгөн маалыматтан диагнозго кантип өтүлөт?
Титирөө жана ток спектрлеринин ар бири өзүнчө 512 өлчөмдүү өзгөчөлүк көрсөтмөсүнө коддолот. Эки көрсөтмө бириктирилип, 1024 өлчөмдүү киргизүү түзүлөт жана бул көрсөтмө 512 өлчөмдүү fusion катмарынан өткөрүлөт. Андан кийин 256 жана 128 өлчөмдүү жашыруун катмарлар менен SoftMax чыгышы колдонулуп, бузулуу классы аныкталат.
Verianla Live: SWGAN менен кыймылдаткыч бузулуусун диагностикалоо чынжыры
Агым изилдөөнүн ыкма бөлүмүндө жана Сүрөт 4’тө берилген иштетүү ыраатын кыргызча берет. Булакта жок этап кошулган эмес.
| Этап | Иш-аракет | Булак негизи |
|---|---|---|
| 1. Синхрондуу өлчөө | Кыймылдаткычтын титирөө ылдамдануусу жана үч фазалуу статор токтору топтолот. | Бөлүм 3.3 |
| 2. Сигналды бөл | Үзгүлтүксүз өлчөөлөр жылма же аныкталган үлгү терезелерине бөлүнөт. | Бөлүм 3.3 жана 4 |
| 3. Титирөө өзгөчөлүгү | Hilbert каптамасы жана Fourier өзгөртүүсү менен титирөө каптама спектри түзүлөт. | Теңдеме 19–22 |
| 4. Ток өзгөчөлүгү | Clarke өзгөртүүсү, мейкиндик-вектор чоңдугу жана Fourier өзгөртүүсү менен ток спектри түзүлөт. | Теңдеме 23–25 |
| 5. Нормалдаштыруу | Спектрдик өзгөчөлүктөр [-1,1] диапазонуна нормалдаштырылат. | Бөлүм 3.3 |
| 6. SWGAN окутуу | Self-attention жана gradient normalization камтыган шарттуу Wasserstein GAN азчылык класстарын үйрөнөт. | Бөлүм 3.1–3.3 |
| 7. Синтетикалык маалымат түзүү | Аз көрсөтүлгөн бузулуу класстары үчүн белги менен шартталган ток жана титирөө спектрлери түзүлөт. | Сүрөт 4 |
| 8. Маалыматты бириктир | Реалдуу жана синтетикалык үлгүлөр болжол менен тең салмакталган окутуу топтомуна айландырылат. | Бөлүм 3.3 |
| 9. Көп модалдуу өзгөчөлүк fusion | Ток жана титирөө өзгөчөлүктөрү өзүнчө коддолгондон кийин өзгөчөлүк деңгээлинде бириктирилет. | Таблица 1 |
| 10. Бузулууну классификациялоо | SAE негизиндеги классификатор акыркы кыймылдаткыч абалын аныктайт. | Бөлүм 3.2 |
Verianla Live: Визуалдаштыруунун илимий булагы ушул көрүнгөн таблица; JavaScript өчүрүлгөндө да ыкма чынжыры окулуп турат.
Изилдөө колдогон жыйынтыктар
- SWGAN эки башка кыймылдаткыч маалымат топтомунда тең салмаксыз окутуу маалыматтарын синтетикалык спектрлер менен толуктаганда салыштырылган GAN ыкмаларынын көбүнөн жогорку диагностикалык тактык берген.
- SWGAN түзгөн үлгүлөр изилдөөдө колдонулган JS divergence жана cosine distance өлчөмдөрүндө DCGAN, ACGAN жана WCGANга караганда реалдуу маалыматка жакыныраак бөлүштүрүлүш көрсөткөн.
- Self-attention жана gradient normalization компоненттерин бирге колдонуу ablation эксперименттеринде, айрыкча жетиштүү баштапкы үлгү болгондо, өндүрүмдүүлүктү жакшырткан.
- Gradient normalization колдонулган модель булакта көрсөтүлгөн loss ийри сызыктарында GP колдонулган салыштырууга караганда эртерээк динамикалык тең салмакка жеткени билдирилген.
- Ток жана титирөө маалыматын бирге колдонуу айрым тең салмаксыздык шарттарында бир модалдуу салыштырууларга караганда артыкчылык берген.
- Ыкма туруктуу ылдамдыктагы PMSM маалыматтарынан тышкары өзгөрмө ылдамдыктагы асинхрондук кыймылдаткыч маалымат топтомунда да колдонулган.
Изилдөө колдобогон жыйынтыктар
- Синтетикалык спектрлер реалдуу кыймылдаткыч физикалык түрдө чыгара ала турган ар бир деталдуулукту туура көрсөтөт деп далилденген эмес.
- SWGAN реалдуу убакытта өнөр жай кыймылдаткычында онлайн иштегени көрсөтүлгөн эмес.
- Ыкма ар бир кыймылдаткыч түрүндө, сенсор системасында же бузулуу үй-бүлөсүндө ошол эле тактык берет деп көрсөтүлгөн эмес.
- Эң оор маалымат тартыштыгында генеративдик моделдин ачык артыкчылыгы көрсөтүлгөн эмес; бир нече гана реалдуу бузулуу үлгүсү болгондо GAN ыкмалары бири-бирине жакын жыйынтык берет.
- Эки синтетикалык модалдуулуктун ортосунда физикалык синхрондуулукту мажбурлаган атайын жалпы генерация жоготуусу же cross-modal consistency өлчөмү ачык көрсөтүлгөн эмес.
- Макаладагы тактык маанилери түз predictive maintenance чыгымы, пландалбаган токтоп калуунун азайышы же өнөр жай ишенимдүүлүгү өсүшү дегенди билдирбейт.
Түркиядагы колдонмолор үчүн эмнени билдирет?
Түркиядагы ишкана үчүн ыкманын негизги потенциалдуу колдонуу тармагы — көп нормалдуу иштөө жазуулары бар, бирок белгилүү бузулуу түрлөрү аз кездешкен кыймылдаткыч мониторинг системалары. Бирок изилдөөдөгү кыймылдаткычтар, сенсор үлгүлөө түзүлүштөрү жана бузулуу бөлүштүрүлүштөрү жергиликтүү ишкананы түз көрсөтпөйт. Колдонуудан мурда тиешелүү кыймылдаткыч үй-бүлөсүнөн реалдуу ден соолуктуу жана бузулган жазууларды топтоо, SWGANды ошол бөлүштүрүлүш менен кайра үйрөтүү жана синтетикалык маалымат кошулганга чейинки/кийинки көз карандысыз тест топтомундагы ката түрлөрүн өзүнчө баалоо керек.
Изилдөөнүн Ыкмасы жана Табылгалары
SWGAN тармак түзүлүшү
| Компонент | Булакта берилген түзүлүш |
|---|---|
| Generator киргизүүсү | 2400 өлчөмдүү ызы-чуу + 8 өлчөмдүү label; жалпы 2408 |
| Generator Conv 1 | 1 → 64, kernel 3, stride 1, LeakyReLU |
| Generator Conv 2 | 64 → 128, kernel 3, stride 1, LeakyReLU |
| Generator Deconv 1 | 128 → 64, kernel 3, stride 2, LeakyReLU |
| Generator Deconv 2 | 64 → 1, kernel 3, stride 2, LeakyReLU |
| Generator чыгышы | 2400 өлчөмдүү спектрдик үлгү |
| Discriminator | 2408 → 512 → 128 → 32 → 1 |
| Титирөө коддоочу | 2400 → 512 |
| Ток коддоочу | 2400 → 512 |
| Fusion | 1024 → 512 → 256 → 128 → класс саны |
Булакта label өлчөмү сегиз деп берилгенине карабай негизги эксперименттерде он класс колдонулат. Сегиз өлчөмдүү шарт көрсөтүүсү он класска кантип дал келтирилгени түшүндүрүлбөгөндүктөн бул архитектуралык деталь кайра өндүрүү жагынан белгисиз.
Окутуу конфигурациясы
| Параметр | Маани |
|---|---|
| Программалоо тили | Python 3.10 |
| Фреймворк | PyTorch 2.11 |
| Optimizer | Adam |
| Үйрөнүү ылдамдыгы | 1 × 10−4 |
| Batch size | 100 |
| Epoch | 200 |
| Кайталанган эксперимент | 20 |
| CPU | Intel i7-14700KF |
| RAM | 64 GB |
| GPU | NVIDIA 5060Ti, 16 GB |
Бул маанилер булакта билдирилген бойдон берилген; программалык камсыздоо жана жабдуу версиялары сырттан оңдолгон эмес.
Dataset A: туруктуу ылдамдыктагы PMSM статор бузулуулары
Биринчи маалымат топтому үч фазалуу туруктуу магниттүү синхрондук кыймылдаткычтардан алынган ток жана титирөө жазууларын камтыйт. Маалымат булагында 1,0 kW, 1,5 kW жана 3,0 kW кубатындагы үч кыймылдаткыч бар. Өлчөөлөр 3000 rpm туруктуу ылдамдыкта жүргүзүлгөн. Титирөө октук багытта, кыймылдаткыч подшипнигине коюлган акселерометр менен 25,6 kHzде; U, V жана W фазалык токтор болсо ток зонддору менен 100 kHzде үлгүлөнгөн.
Статор кыска туташуу бузулуулары U фазасында жасалма түзүлгөн. Бир эле катушканын ороолорунун ортосундагы кыска туташуу inter-turn, коңшу катушкалардын ортосундагы кыска туташуу болсо inter-coil катары моделденген. Bypass каршылыгы азайган сайын кыска туташуу күчү өсөт:
\[ FaultRatio= \left( \frac{R}{R+R_{\mathrm{bypass}}} \right)\times100 \]
Реалдуу жана синтетикалык үлгүлөр бири-бирине окшошпу?
Изилдөө классификация тактыгына гана карабайт. Реалдуу жана түзүлгөн спектрлердин окшоштугун Jensen–Shannon divergence жана cosine distance менен баалайт. Эки метрикада тең төмөн маани жогорку окшоштук дегенди билдирет.
IT1, IT3 жана IC3 үлгүлөрүнүн 20 кайталуу violin графиктеринде SWGAN бөлүштүрүлүштөрү салыштырылган DCGAN, ACGAN жана WCGAN моделдерине караганда төмөнүрөөк JS divergence жана cosine distance аймактарында топтолгону көрсөтүлгөн. Бирок булакта бул графиктер үчүн так сандык орточо таблицалар берилбегендиктен көз менен болжолдуу сандар чыгарылган эмес.
PMSM класс тең салмаксыздыгы жыйынтыктары
Реалдуу класс тең салмаксыздыгы каралган Case A жана Case Bде ден соолуктуу класс 200 окутуу үлгүсү менен сакталып, бузулуу класстары ар башка көлөмгө азайтылган. SWGAN жана башка GAN ыкмалары азчылык класстарын 1:1 окутуу катышына толуктоо үчүн колдонулган.
| Ыкма | Case A тактык (%) | Case B тактык (%) |
|---|---|---|
| SAE — маалымат көбөйтүүсүз | 65,50 ± 2,20 | 58,78 ± 6,47 |
| DCGAN | 82,32 ± 2,13 | 78,67 ± 3,02 |
| ACGAN | 87,39 ± 1,69 | 81,17 ± 2,05 |
| WCGAN | 94,05 ± 1,24 | 88,76 ± 1,78 |
| SWGAN | 97,81 ± 0,53 | 93,77 ± 1,12 |
Verianla Live: PMSMде класс тең салмаксыздыгы шартындагы диагностикалык тактык
Case A орточо, Case B болсо оорураак класс тең салмаксыздыгы шарты. Маанилер изилдөөнүн жыйынтык бөлүмүндөгү 20 көз карандысыз иштетүүнүн орточолорунан алынган.
| Ыкма | Case A (%) | Case B (%) | Булак |
|---|---|---|---|
| SAE | 65,50 | 58,78 | Бөлүм 4.1.4, Сүрөт 12 |
| DCGAN | 82,32 | 78,67 | Бөлүм 4.1.4, Сүрөт 12 |
| ACGAN | 87,39 | 81,17 | Бөлүм 4.1.4, Сүрөт 12 |
| WCGAN | 94,05 | 88,76 | Бөлүм 4.1.4, Сүрөт 12 |
| SWGAN | 97,81 | 93,77 | Бөлүм 4.1.4, Сүрөт 12 |
Verianla Live: Көрүнгөн таблица илимий source-of-truth. Ката маанилери негизги статикалык таблицада сакталган; Live салыштыруу орточо тактыктарды колдонот.
Case Bде бардык ыкмалардын ийгилиги төмөндөгөн. Бул өзгөчө маанилүү жыйынтык: генеративдик маалымат көбөйтүү реалдуу бузулуу маалыматын толук алмаштырбайт. Баштапкы азчылык маалыматы дагы азайтылганда SWGAN өзү да өндүрүмдүүлүк жоготкон.
Dataset B: өзгөрмө ылдамдыктагы асинхрондук кыймылдаткыч
Экинчи маалымат топтомунда 2,2 kW үч фазалуу асинхрондук кыймылдаткыч, момент сенсору, эки баскычтуу параллелдүү редуктор жана магниттик порошок тормозунан турган эксперименттик түзүлүш колдонулган. Үч октуу титирөө, үч фазалуу ток, момент жана key-phase сигналдары синхрондуу түрдө 12,8 kHzде топтолгон.
Изилдөөдө 20 Nm туруктуу жүк астында 0–1000 rpm өзгөрмө ылдамдыктагы иш режими тандалган.
| Бузулуу | Деңгээл / физикалык жөндөө |
|---|---|
| Ден соолуктуу — NC | Бузулуу жок |
| Inter-turn IC1 | %5 rated-current shunt |
| Inter-turn IC2 | %10 rated-current shunt |
| Ротор ийилиши — RB | 0,2 mm туруктуу ийилүү |
| Чыңалуу тең салмаксыздыгы — VU1 | %4 |
| Чыңалуу тең салмаксыздыгы — VU2 | %8 |
| Статикалык эксцентриситет — SE1 | 0,125 mm радиалдык офсет |
| Статикалык эксцентриситет — SE2 | 0,250 mm радиалдык офсет |
| Ротор тең салмаксыздыгы — RU | Кошумча тең салмаксыздык массасы |
| Сынган ротор таякчалары — RR | 3 удаалаш таякча алынган, каршы салмак кошулган |
Өзгөрмө ылдамдыкта маалымат көлөмү азайганда эмне болду?
Ден соолуктуу класс 200 окутуу үлгүсүндө сакталып, тогуз бузулуу классы 4, 10, 20, 40, 100 жана 200 үлгү деңгээлдеринде сыналган. Ар бир класстагы тест топтому 200 реалдуу үлгү бойдон сакталган.
| Ыкма | 1:50 | 1:20 | 1:10 | 1:5 | 1:2 | 1:1 |
|---|---|---|---|---|---|---|
| SAE | 47,8 | 51,2 | 61,5 | 69,5 | 83,7 | 98,1 |
| DCGAN | 48,6 | 54,9 | 72,3 | 83,9 | 85,4 | 92,7 |
| ACGAN | 49,1 | 58,8 | 78,2 | 85,5 | 91,9 | 94,1 |
| WCGAN | 50,1 | 57,2 | 77,5 | 88,6 | 93,1 | 95,2 |
| SWGAN | 49,9 | 58,2 | 81,3 | 91,7 | 95,9 | 97,9 |
Бул жыйынтыктарда маанилүү бир детал бар. Эң оор 1:50 шартында SWGAN %49,9 менен бардык ыкмалардын эң жакшысы эмес; WCGAN %50,1 жыйынтык берген. 1:20 шартында да ACGAN %58,8 менен SWGANдын %58,2 маанисинен бир аз жогору. SWGANдын айкын артыкчылыгы айрыкча 1:10, 1:5 жана 1:2 диапазонунда пайда болот.
1:1 абалында болсо маалымат көбөйтүүсүз SAE %98,1, SWGAN %97,9. Демек жетиштүү реалдуу маалымат болгондо синтетикалык маалымат колдонуу реалдуу маалыматтан жогору болот деген жыйынтык бул графиктен чыгарылбайт.
Ablation эксперименти self-attention жана GN жөнүндө эмне дейт?
Беш абалдуу кошумча экспериментте сунушталган толук модель gradient penalty колдонгон вариант, self-attention жок вариант, титирөө гана жана ток гана ыкмалары менен салыштырылган.
| Модель | 1:50 | 1:20 | 1:10 | 1:5 | 1:2 | 1:1 |
|---|---|---|---|---|---|---|
| SA + GN + Base | 62,8 | 64,9 | 76,5 | 86,5 | 94,9 | 97,2 |
| SA + GP + Base | 61,4 | 62,7 | 73,3 | 83,3 | 92,8 | 95,3 |
| GN + Base | 59,6 | 63,1 | 72,7 | 81,7 | 90,1 | 94,5 |
| Титирөө гана | 62,6 | 64,2 | 73,6 | 81,6 | 89,1 | 93,3 |
| Ток гана | 63,1 | 66,7 | 74,5 | 84,1 | 93,2 | 96,8 |
Толук SWGAN түзүлүшү 1:10’дон баштап бул таблицадагы эң жогорку тактыкка жеткен. Ал эми 1:50 жана 1:20 сыяктуу өтө катуу маалымат тартыштыгында ток гана ыкмасы жогорку жыйынтык берет. Бул модель компоненттеринин артыкчылыгы баштапкы реалдуу үлгү көлөмүнө көз каранды экенин көрсөтөт.
Loss ийри сызыктарында gradient normalization колдонулган толук модель болжол менен 120 epochтан кийин динамикалык тең салмакка өткөнү, gradient penalty варианты болсо болжол менен 160 epochтан кийин ушундай тең салмакка жакындаганы айтылат. Бул байкоо окутуу туруктуулугунун көрсөткүчү; булакта мунун үчүн өзүнчө статистикалык жакындашуу тести берилген эмес.
Негизги методологиялык чектөөлөр
- Түзүлгөн үлгүлөр реалдуу кыймылдаткычта физикалык түрдө кайра өлчөнгөн эмес.
- SWGAN негизинен офлайн augmentation үчүн колдонулган; реалдуу убакыттагы камтылган колдонмо жасалган эмес.
- Классификаторду баалоо ошол эле маалымат топтомдорунан бөлүнгөн тест бөлүктөрү менен жүргүзүлгөн; көз карандысыз өнөр жай талаа маалымат топтомунда текшерүү берилген эмес.
- Көп модалдуу генерациянын модалдуулуктар аралык физикалык шайкештиги үчүн өзүнчө сандык consistency метрикасы билдирилген эмес.
- Case C жана Case Dнин так орточо тактыктары жыйынтык текстинде сандык таблица түрүндө берилген эмес; ошондуктан график сүрөтүнөн жаңы так маанилер чыгарылган эмес.
- Булактын жыйынтык, таблица жана ыкма түшүндүрмөлөрүнүн ортосунда айрым сандык жана терминологиялык шайкешсиздиктер бар.
Булак жана Ыкма Жөнүндө Эскертүү
Оригинал изилдөө: Generative Dual-Modal Data Augmentation for Motor Fault Diagnosis Under Sample Imbalance.
Авторлор жана ирети: Ganxin Jie; Cailiang Zhang; Junqing Ma; Yang Yang; Chuan Chen.
Жооптуу автор: Cailiang Zhang. Булакта тең биринчи/тең салым билдирүүсү жок.
Мекемелер: 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.
Журнал: Machines. Басмакана: MDPI. Том: 14. Макала: 633. Жарыяланган дата: 1 Июнь 2026. DOI: 10.3390/machines14060633. Расмий шилтеме: https://doi.org/10.3390/machines14060633
Булактын түрү жана рецензия абалы: Рецензияланган изилдөө макаласы. Иш 12 Апрель 2026’да алынган, 8 Май 2026’да кайра каралган жана 11 Май 2026’да кабыл алынган.
Лицензия: Creative Commons Attribution (CC BY) ачык жеткиликтүү лицензия.
Каржылоо: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd. тарабынан 2025EASKJ-010 номерлүү долбоор менен колдоого алынган.
Маалымат жеткиликтүүлүгү: Dataset A KAIST изилдөө тобу жарыялаган ачык үч фазалуу PMSM статор бузулуу маалымат топтомунан; Dataset B болсо Tsinghua University изилдөө тобунун өзгөрмө иш шарттарындагы үч фазалуу асинхрондук кыймылдаткыч бузулуу маалымат топтомунан алынган. Макалада эки булак үчүн тең Mendeley Data шилтемелери берилген.
Кызыкчылыктар кагылышы жана каржылоочу тууралуу билдирүү: Ganxin Jie, Yang Yang жана Chuan Chenдин China National Electric Apparatus Research Institute Co., Ltd. жана General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd. менен эмгек мамилелери ачык айтылган. Булакка ылайык каржылоочу изилдөө дизайнына, маалымат чогултууга, анализге, чечмелөөгө, жазууга же жарыялоо чечимине катышкан эмес.
Автор салымдары: Концептуалдаштыруу J.M. жана C.Z.; методология J.M.; программалык камсыздоо J.M.; текшерүү C.Z.; ресурстар C.C.; биринчи долбоор J.M.; карап чыгуу жана редакциялоо C.Z.; жетекчилик G.J.; долбоор башкаруу Y.Y.; каржылоо алуу G.J. тарабынан аткарылган.
Бул Verianla макаласындагы илимий ыкма, архитектура, теңдемелер, маалымат топтомдору, диагностикалык жыйынтыктар жана чектөөлөр каралган изилдөөгө гана негизделген. Тышкы булак текшерүүсү библиографиялык жарыя идентификациясы үчүн гана колдонулган; сырттан жаңы өндүрүмдүүлүк жыйынтыгы же эксперименттик табылга кошулган эмес.
Булактын ичиндеги айрым маанилүү шайкешсиздиктер сакталган. Жыйынтыкта берилген айрым эң жогорку тактык маанилери кеңири жыйынтык таблицалары жана графиктердеги маанилер менен толук дал келбейт. SWGAN архитектурасында label өлчөмү сегиз деп жазылганына карабай негизги классификация эксперименттери он класстуу. Dataset Aдагы айрым бөлүмдөрдө “limited training set” жана “imbalance ratio” терминологиясы толук шайкеш эмес. Case A/B таблицасындагы 2000 W кыймылдаткыч мааниси мурда аныкталган 1000, 1500 жана 3000 W кыймылдаткыч кубаттары менен дал келбейт. Ablation бөлүмүндө маалымат топтому жаңылыш “bearing dataset” деп аталып, IT1 күчү эки башка маани менен берилген. Бул белгисиздиктер үнсүз оңдолгон эмес.
Изилдөөнүн негизги илимий мааниси — self-attention жана gradient normalization камтыган шарттуу генеративдик модель азчылык кыймылдаткыч бузулуу класстарын ток жана титирөө спектрлери менен колдоону эки башка кыймылдаткыч маалымат топтомунда сынаганы. Бирок жыйынтыктар реалдуу убакыттагы камтылган талаа диагностикасы же түзүлгөн үлгүлөрдүн физикалык жактан бирдей жарактуулугу үчүн түз далил эмес.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген