Utafiti huu unalenga kutambua hitilafu za fani katika mota za asinkroni si kwa kutegemea ishara ya kihisi kimoja pekee, bali kwa kutathmini kwa pamoja data za mtetemo, mkondo, volti, torati na kasi ya mzunguko, na pia kutabiri mchakato wa kuzorota kwa mota. Watafiti walichunguza hali ya afya, hitilafu ya pete ya ndani, hitilafu ya pete ya nje na uharibifu wa cage katika mota ya asinkroni ya awamu tatu yenye rotor ya squirrel-cage yenye nguvu ya 7,5 kW, katika viwango vitano tofauti vya mzigo. Zaidi ya vipengele 200 vya muda, masafa, harmoniki, envelope, wavelet na MCSA vilitolewa kutoka kwenye ishara zilizopimwa; baada ya muunganisho wa vipengele unaoongozwa na uhusiano, viainishaji Random Forest, SVM, XGBoost na MLP vililinganishwa. Viainishaji vilivyofanya vizuri zaidi vilikuwa Random Forest na XGBoost; Random Forest ilifikia usahihi wa %98,0 na XGBoost %97,0. Hata hivyo, matokeo yanahusu mpangilio wa majaribio uliodhibitiwa na mnyororo wa uchakataji data ulioundwa katika utafiti; kazi hii haithibitishi moja kwa moja mafanikio ya uwanjani kwa aina tofauti za mota na hali za muda mrefu za uendeshaji halisi wa viwandani.

Ubunifu mkuu wa kazi hii si kutumia vihisi vingi zaidi pekee. Watafiti walilenga kuunda nafasi iliyounganishwa ya vipengele yenye uwezo mkubwa zaidi wa kutofautisha kwa kutathmini jinsi vipengele vilivyotolewa kutoka kwenye vihisi vinavyohusiana kwa kutumia uhusiano wa Pearson, vipimo vya coherence katika kikoa cha masafa na taarifa ya umuhimu wa vipengele. Kwa njia hii, athari ya vipengele vilivyohusiana sana vinavyorudia tukio lilelile la kimwili inapunguzwa huku vipengele vya vihisi tofauti vinavyobeba taarifa zinazokamilishana vikihifadhiwa.

Mbali na hatua ya utambuzi, utafiti uliunda Degradation Index (DI), yaani kiashiria endelevu cha afya kinachoitwa Kielezo cha Uharibifu kati ya 0 na 1. DI inapokuwa chini mfumo unalingana na hali yenye afya, na inapokuwa juu inaashiria uharibifu mkubwa zaidi. Kwa kutumia Gaussian Process Regression (GPR), maendeleo ya baadaye ya DI na Remaining Useful Life (RUL; maisha muhimu yaliyosalia) yanatabiriwa kwa uwezekano, huku kutokuwa na uhakika wa utabiri pia kukihesabiwa.

Kwa mtazamo wa Türkiye, kazi hii inatoa mbinu muhimu kimetodolojia kwa matengenezo ya kutabiri ya mota za umeme, mistari ya uzalishaji, pampu, feni, konveyer na matumizi mengine ya mashine zinazozunguka. Hata hivyo, vizingiti mahususi, tabia za vihisi na mafanikio ya uainishaji katika utafiti huu hayapaswi kuhamishwa moja kwa moja kwa nguvu tofauti za mota, aina za fani, wasifu wa mzigo, nafasi za vihisi na kelele za mazingira ya kazi. Kabla ya kutumiwa katika viwanda halisi nchini Türkiye, uthibitishaji upya kulingana na mashine na hali za eneo unahitajika.

Tatizo kuu la utafiti ni nini?

Uharibifu wa fani katika mota za asinkroni unaweza kujitokeza wazi katika mtetemo wa kimakanika, lakini athari ya hitilafu haiishii kwenye ishara ya mtetemo pekee. Hitilafu hiyo hiyo ya kimakanika inaweza pia kuacha athari katika harmoniki za mkondo, mabadiliko ya torati na mabadiliko ya kasi. Kwa upande mwingine, mifumo ya utambuzi inayotegemea kihisi kimoja inaweza kuwa dhaifu dhidi ya kelele, mabadiliko ya mzigo au unyeti mdogo wa kihisi kwa hitilafu fulani.

Pengo linalolengwa na utafiti liko hapa: badala ya kuweka tu pamoja data kutoka kwa vihisi vinavyopima nyanja tofauti za kimwili, kuunda utaratibu wa muunganisho unaotumia mahusiano ya kitakwimu na kispektri kati ya ishara hizi ili kubaini ni vipengele gani vinavyobeba taarifa ya kweli ya uchunguzi.

Mfumo wa vihisi vingi unatumia data gani?

Katika mpangilio wa majaribio, ukubwa wa kimwili wa aina tano ulitathminiwa kwa pamoja:

• Mtetemo: akseleromita ya mhimili mitatu Kistler 8763B IEPE.
• Mkondo na vipimo vya umeme: mfumo wa ukusanyaji data wa njia nyingi wa Dewetron.
• Torati: transducer ya torati HBK T22.
• Kasi ya mzunguko: takomita DT-2234C+.
• Volti: ishara za volti kutoka kwenye njia za data za umeme.

Utafiti ulitumia hali tano za uendeshaji: 0, %25, %50, %75 na %100 ya mzigo wa kawaida. Hali nne za afya zilizochunguzwa zilifafanuliwa kama Healthy, Inner-Race, Outer-Race ve Damage.

Mota na fani zilizotumiwa katika jaribio

Fani hiyo ni fani ya mpira yenye mfereji wa kina 6208-ZZ yenye kipenyo cha ndani 40 mm, kipenyo cha nje 80 mm na upana 18 mm. Watafiti walitathmini athari tofauti za hali za pete ya ndani, pete ya nje na cage/uharibifu kwenye ishara za mtetemo na umeme.

Mnyororo wa uchakataji data unafanyaje kazi?

Ishara ghafi zilichakatwa kwanza kwa ulainishaji wa Savitzky–Golay na uchujaji wa band-pass. Mbinu inaeleza kuwa ishara zilipatikana kwa viwango vya juu vya sampuli katika masafa ya 5–20 kHz na kisha kugawanywa katika madirisha ya sekunde 1 yenye mwingiliano wa %50.

Katika uchakataji wa Savitzky–Golay, ishara iliyolainishwa:

\[ y(t)=\sum_{k=-m}^{m}c_kx(t+k) \]

inaelezwa kwa namna hii. Hapa \(x(t)\) inawakilisha ishara ghafi, \(c_k\) vigawo vya kichujio na \(m\) ukubwa wa dirisha.

Kwa kuwa vitengo na ukubwa wa vihisi hutofautiana, normalisation ya Z-score ilitumika:

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

Hapa \(\mu\) ni wastani wa ishara, \(\sigma\) ni mkengeuko wa kawaida na \(\hat{x}(t)\) ni thamani iliyorekebishwa.

Ni vipengele gani vilitolewa?

Utafiti uliunda zaidi ya vipengele 200 katika kila dirisha la muda. Hivi vinajumuisha RMS, thamani ya peak-to-peak, skewness, kurtosis, crest factor, vipengele vya FFT, nishati ya spektri, entropy ya spektri, uchambuzi wa envelope, vipengele vya wavelet, harmoniki, vigezo vinavyohusiana na slip na vipengele vya Motor Current Signature Analysis (MCSA).

Kwa mfano, RMS:

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

inahesabiwa kwa namna hii. Katika kikoa cha masafa, discrete Fourier transform:

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

imeelezwa hivyo. Katika uchunguzi wa hitilafu za fani, maeneo ya masafa ya tabia kama BPFI, BPFO, BSF na FTF hutumiwa.

Muunganisho unaoongozwa na uhusiano unafanya nini?

Mgawo wa uhusiano wa Pearson hupima nguvu ya uhusiano wa mstari kati ya vipengele viwili:

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

Uhusiano katika kikoa cha masafa unatathminiwa kwa coherence:

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

kwa namna hii. Hapa \(S_{xy}\) inawakilisha cross-power spectral density, huku \(S_{xx}\) na \(S_{yy}\) zikiwakilisha power spectral density za ishara husika.

Mahusiano ya vikundi vya vihisi katika utafiti yanaonyesha jambo muhimu: kati ya mkondo na torati kuna +0,91 uhusiano chanya wenye nguvu, huku kati ya mkondo na kasi kukiwa na −0,96, na kati ya torati na kasi kuna −0,89 uhusiano hasi wenye nguvu. Mtetemo na volti zinaonyesha uhusiano wa chini zaidi kuliko vikundi vingine na hivyo kubeba taarifa inayokamilishana.

Mlinganyo wa uwekaji uzito uliotolewa katika chanzo:

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

una muundo huu. Vigezo vilivyochaguliwa katika utafiti viliripotiwa kuwa \(\alpha=0,35\), \(\beta=0,30\), \(\eta=0,20\) na \(\gamma=0,15\). Kisha vipengele vilivyowekewa uzito:

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

viliunganishwa kwa namna hii.

Dokezo muhimu ndani ya chanzo: Katika muhtasari na utangulizi wa utafiti, mutual information pia inaelezwa kama mojawapo ya vipengele vya msingi vya usanifu wa muunganisho. Hata hivyo, usemi wa kihisabati uliotolewa hapo juu unaonyesha wazi Pearson correlation, coherence na SHAP, bila kuonyesha kipengele tofauti cha mutual information. Aidha, \(\gamma\) hutumiwa kama kipeo katika mlinganyo, lakini katika sehemu moja ya maandishi imejumuishwa katika jumla ya hyperparameters za uzito. Kwa hiyo, hakuna maana moja kamili kati ya fomula na maelezo ya maneno ya mbinu.

Vipengele zaidi ya 200 vilipunguzwaje?

Baada ya muunganisho, Principal Component Analysis (PCA) ilitumika. Watafiti waliripoti kuwa vipengele vikuu 27 vilihifadhi takriban %95,8 ya variance yote. Lengo lilikuwa kupunguza mzigo wa uchakataji na kurudiwa kwa vipengele huku sehemu kubwa ya taarifa iliyobebwa na mamia ya vipengele ikihifadhiwa.

Kwa kutokuwiana kwa madarasa, SMOTE ilitumika kwa data ya mafunzo pekee. Utafiti unaeleza kuwa darasa la afya lilikuwa na takriban sampuli 2100, huku madarasa ya hitilafu yakiwa karibu sampuli 700–750; baada ya SMOTE kila darasa la mafunzo liliongezwa hadi takriban sampuli 2100.

Ni modeli gani ilifanya vizuri zaidi katika uainishaji?

Random Forest ilitoa usahihi wa jumla wa juu zaidi. XGBoost ilikuwa ya pili kwa karibu sana. SVM ilikuwa katika kiwango cha kati, huku MLP ikiwa na utendaji wa chini zaidi kwa kiasi kikubwa katika jaribio hili.

Jaribio la Wilcoxon signed-rank lilionyesha kuwa faida zilizozingatiwa za Random Forest na XGBoost dhidi ya SVM na MLP zilikuwa muhimu kitakwimu katika fold za cross-validation. Tofauti kati ya Random Forest na XGBoost ilikuwa \(p=0,084\), hivyo haikuwa muhimu katika kizingiti cha \(p<0,05\) kilichotumiwa katika utafiti.

Kielezo cha Uharibifu kinaundwaje?

Ili kwenda zaidi ya madarasa ya hitilafu yaliyotengwa, utafiti ulifafanua Kielezo Endelevu cha Uharibifu:

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

Hapa \(w_i\) inawakilisha uzito wa kipengele cha uchunguzi cha i, \(\hat{f}_i(t)\) thamani ya kipengele iliyorekebishwa na \(M\) idadi ya vipengele vinavyotumiwa. DI imesawazishwa kati ya 0 na 1.

• 0 ≤ DI < 0,3: Eneo la kawaida
• 0,3 ≤ DI < 0,7: Eneo la mpakani
• 0,7 ≤ DI ≤ 1: Eneo muhimu

Katika darasa la Damage, wastani wa DI uliongezeka kutoka 0,75 hadi 0,95 kadiri mzigo ulivyoongezeka. Kwa hitilafu ya pete ya nje, uliongezeka kutoka 0,58 hadi 0,77. Katika darasa la pete ya ndani, thamani ziko katika 0,51–0,70. Hali ya afya kwa ujumla ilibaki chini, lakini thamani 0,31 ilionekana kwa mzigo wa %75 na 0,25 kwa %100; hivyo uhusiano kati ya mzigo na DI si monotonic kikamilifu katika kila darasa.

Kwa nini Gaussian Process Regression ilitumika?

GPR haitoi thamani moja tu ya utabiri, bali pia kutokuwa na uhakika wa utabiri. Katika utafiti, wastani wa posterior:

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

na variance ya utabiri:

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

zimeelezwa hivyo. \(K\) ni matriki ya covariance/kernel kati ya pointi za mafunzo, \(\sigma_n^2\) ni variance ya kelele na \(y\) ni thamani lengwa zilizozingatiwa.

Uwezekano kwamba DI itavuka kizingiti cha hitilafu \(\tau\) katika wakati fulani ujao:

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

unahesabiwa kwa namna hii. Hivyo mfumo hautathminiwi tu kama “hitilafu/hakuna hitilafu”, bali kwa kuzingatia kwa pamoja mwelekeo wa uharibifu, maisha yaliyosalia na kutokuwa na uhakika wa utabiri.

Matokeo yanayoungwa mkono na utafiti

• Uwekaji uzito wa vipengele vinavyotokana na vihisi vingi kwa namna inayoongozwa na uhusiano uliimarisha utengano wa madarasa katika seti ya data ya majaribio ya utafiti.
• Random Forest na XGBoost zilionyesha mafanikio ya juu ya uainishaji kuliko SVM na MLP katika seti hii ya data.
• Usahihi wa Random Forest uliripotiwa kuwa 0,980 na wa XGBoost 0,970.
• Tofauti ya utendaji kati ya RF na XGBoost haikuwa muhimu kitakwimu katika jaribio la Wilcoxon lililotumiwa.
• DI inaweza kutenganisha hali ya afya na hali za uharibifu mkubwa zaidi kwenye kipimo endelevu.
• Thamani za juu zaidi za DI kwa ujumla zinahusishwa na RUL iliyotabiriwa kuwa chini zaidi katika matokeo ya utafiti.
• GPR inaweza kutoa taarifa ya kutokuwa na uhakika pamoja na utabiri wa nukta.

Matokeo ambayo utafiti haujathibitisha

• Utafiti huu hauhakikishi mafanikio ya utambuzi ya %98 katika mota zote za asinkroni.
• Matokeo hayawezi kujumlishwa moja kwa moja kwa madaraja tofauti ya nguvu, aina za fani au hali zote za uendeshaji katika viwanda.
• Utafiti haukupima kiwango cha kuzuia hitilafu katika kundi halisi la viwanda kwa muda mrefu.
• Matokeo ya RUL hayatoi moja kwa moja maisha yaliyosalia ya ulimwengu wote kwa saa, siku au miezi kwa mota yoyote.
• Utafiti haujathibitisha kwa majaribio hitilafu ya rotor bar, hitilafu ya winding ya stator, eccentricity na kila aina ya hitilafu ya kimakanika.
• Usahihi wa juu wa uainishaji pekee hauonyeshi kuwa utendaji uleule utadumu katika mazingira halisi ya kazi.

Mapungufu muhimu ya utafiti

Watafiti wanaeleza wazi hitaji la uthibitishaji kwa seti kubwa zaidi na halisi zaidi za data za viwandani. Makundi ya hitilafu yaliyosomwa ni machache na majaribio mapana zaidi yenye rekodi za muda mrefu yanahitajika. Gharama ya uchakataji ya GPR kwenye data yenye vipimo vingi inaweza kuleta tatizo la scalability katika matumizi ya wakati halisi. Watafiti pia wanaonyesha muunganisho wa attention/Transformer, sparse Gaussian process, modeli zinazozingatia fizikia, domain adaptation na matumizi ya edge/embedded kama maeneo ya maendeleo ya baadaye.

Dokezo la uthabiti wa kimetodolojia ndani ya chanzo: Katika muhtasari, mgawanyo wa data unaelezwa kuwa “time-aware” na kuzuia temporal leakage. Kinyume chake, sehemu ya mbinu inaeleza mgawanyo wa 70/30 wa mafunzo-majaribio na kugawanywa kwa data ya mafunzo kwa nasibu katika 10 fold. Maelezo ya utekelezaji wa kauli hizi mbili hayajapatanishwa kikamilifu katika chanzo. Kwa hiyo, haiwezi kubainishwa kwa maana moja kutoka kwenye maandishi ya chanzo ni utaratibu gani halisi uliotumiwa kuzuia uvujaji wa data unaotegemea muda.

Mbinu na Matokeo ya Utafiti

Hali za majaribio na ukusanyaji wa data

Matokeo ya uchakataji wa ishara

Katika grafu za ishara ghafi na zilizochujwa kwenye kurasa 19–23 za kazi chanzo, tabia za mkondo, mtetemo, torati na kasi zinazotegemea kiwango cha mzigo na darasa la hitilafu zinalinganishwa. Hasa, uchujaji ulipunguza kwa kiasi kikubwa standard deviation katika ishara za kasi na torati. Kwa mfano, kupungua kwa standard deviation kwa Damage-Speed kulitolewa kama %89,10, Healthy-Speed %88,56, InnerRace-Speed %87,94 na OuterRace-Speed %87,62. Kupungua katika ishara ya torati kulikuwa takriban %48–55 kulingana na darasa.

Kwa upande mwingine, baadhi ya ishara za mkondo ziliripotiwa kuwa na thamani za “Avg_Std_Reduction_Percent” zilizo hasi kidogo. Kwa hiyo, haiwezi kusemwa kwamba uchujaji una athari ya mwelekeo mmoja ya kupunguza standard deviation katika vihisi vyote.

Nafasi ya vipengele kabla na baada ya muunganisho

Katika uoneshaji wa t-SNE wa utafiti, madarasa ya Healthy na Outer-Race yalikuwa yametengana vizuri kiasi hata kabla ya muunganisho. Makundi ya Inner-Race na Damage yaliyokuwa magumu zaidi kutenganisha yalikuwa yamepangwa vizuri na kuwa compact zaidi baada ya muunganisho. Matokeo haya ya kuona yanaendana na matokeo ya uainishaji kwamba muunganisho uliimarisha hasa uwezo wa kutofautisha madarasa ya hitilafu yaliyo karibu.

Kwa nini Random Forest na XGBoost zilijitokeza?

Accuracy, precision, recall na F1 za Random Forest na XGBoost ziko karibu na juu. Katika confusion matrix za utafiti, Random Forest ilionyesha utengano mkubwa sana kwa Healthy, Inner-Race na Outer-Race; mchanganyiko mkuu uliobaki ulikuwa kati ya Damage na Inner-Race. XGBoost pia ilitoa matokeo yenye nguvu yanayofanana.

SVM-RBF ilionyesha kuchanganyika zaidi kwa madarasa, huku MLP ikiwa dhaifu hasa katika kutenganisha Damage na Outer-Race. Matokeo ya ROC pia yanaunga mkono mpangilio huohuo.

DI na RUL kwa pamoja zinaonyesha nini?

Kadiri DI inavyoongezeka, utabiri wa RUL katika utafiti kwa ujumla unapungua. Darasa la afya liko katika eneo la DI ya chini zaidi na RUL ya juu zaidi, huku darasa la Damage likiwa katika eneo la DI ya juu zaidi na RUL ya chini zaidi. Inner-Race na Outer-Race ziko kati ya ncha hizi mbili.

Katika mifano ya mfululizo wa muda iliyotolewa katika chanzo, kwa mzigo wa %100 DI ya hali ya Healthy hubaki chini na tulivu kiasi, huku katika hali ya Damage DI ikielekea kiwango cha juu, RUL ikipungua na hatari iliyohesabiwa ikiongezeka. Watafiti wanatafsiri uhusiano huu kama matokeo ya msingi ya prognosisi yanayoonyesha kuwa uharibifu unaweza kufuatiliwa kwa kuendelea.

Kikomo cha tafsiri ya kisayansi

Matokeo haya yanahusu mfumo unaotegemea data uliofunzwa na kutathminiwa kwa data ya vihisi vya majaribio iliyodhibitiwa. Utafiti hauonyeshi kwamba mbinu itafanya kazi kwa usahihi uleule katika hali tofauti za chapa, nguvu, fani, mzigo, halijoto, usakinishaji na kelele katika kiwanda halisi. Kwa matumizi ya uwanjani, mafunzo upya maalum kwa mashine, urekebishaji wa vizingiti na uthibitishaji wa muda mrefu vinahitajika.

Dokezo la Chanzo na Mbinu

Jina kamili la kazi asilia: Correlation-Driven Multisensory Fusion for Intelligent Fault Analysis in Induction Motors

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

Mpangilio wa waandishi: Mpangilio uliotolewa katika chanzo umehifadhiwa kama ulivyo.

Mchango sawa/mwandishi mwenza wa kwanza: Hakuna taarifa ya mchango sawa au uandishi wa kwanza wa pamoja iliyoainishwa katika chanzo.

Mwandishi wa mawasiliano: Karolina Kudelina.

Taasisi:

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

Jarida: Machines.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu/toleo/nambari ya makala: 14(6), 606.

DOI: 10.3390/machines14060606.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wenzao.

Iliyowasilishwa: 25 Aprili 2026.

Iliyorekebishwa: 25 Mei 2026.

Iliyokubaliwa: 26 Mei 2026.

Iliyochapishwa: 28 Mei 2026.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Upatikanaji wa data: Waandishi wamesema kuwa michango asilia ipo ndani ya makala na maswali ya ziada yanaweza kuelekezwa kwa mwandishi wa mawasiliano.

Mgongano wa maslahi: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana V.I.V.; mbinu V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. na T.S.K.; programu V.I.V.; uthibitishaji V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. na T.S.K.; uchambuzi rasmi V.I.V.; utafiti V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. na T.S.K.; usimamizi wa data V.I.V.; rasimu ya kwanza V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. na T.S.K.; mapitio/uhariri K.K., D.E.E. na T.S.K.; uoneshaji V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. na T.S.K.; usimamizi K.K. na T.S.K.

Rekodi rasmi ya uchapishaji: MDPI Machines, Volume 14, Issue 6, Article 606; nambari ya rekodi ya DOI imetolewa hapo juu.

Maelezo haya ya Verianla yanategemea kisayansi mbinu, fomula, majedwali, vielelezo na matokeo ya utafiti uliopitiwa pekee. Uthibitishaji wa nje umetumiwa tu kwa utambulisho wa bibliografia, hali ya uchapishaji na ukaguzi wa leseni; hakuna matokeo ya majaribio kutoka nje yaliyoongezwa kwenye maudhui kuu ya kisayansi.

Kutokuwiana ndani ya chanzo: (1) Kauli ya “time-aware data splitting” katika muhtasari haiendani kikamilifu na maelezo ya 70/30 na random 10-fold katika sehemu ya mbinu. (2) Mutual information inasisitizwa kwa maneno katika usanifu wa muunganisho, lakini hakuna kipengele chake tofauti kinachoonekana wazi katika mlinganyo wa uwekaji uzito. (3) Katika baadhi ya maelezo ya kati ya mbinu, majina ya vigezo vya vihisi hayaendani kikamilifu na vikundi vya mkondo, kasi, torati, mtetemo na volti vilivyotumiwa katika jaribio kuu. (4) Uboreshaji wa hyperparameter unaelezwa sehemu moja kupitia grid-search na cross-validation, huku aya inayofuata ikitaja Adam kama “algorithimu kuu ya uboreshaji”. Hoja hizi zimehifadhiwa kama zilivyo katika chanzo na hazijarekebishwa kwa uhakika wa kubuniwa katika maandishi ya Verianla.

Ingawa utafiti unatoa uthibitishaji muhimu wa majaribio na unaotegemea data, uthibitishaji zaidi unahitajika katika makundi mapana zaidi ya mota, aina za ziada za hitilafu, rekodi za muda mrefu za uwanjani na hali halisi za viwandani zinazobadilika.