Таҳқиқот ба мушкили нобаробарии синфҳо, ки аз он ба вуҷуд меояд, ки дар муҳаррикҳои барқӣ маълумоти нуқсон нисбат ба маълумоти кори солим хеле камтар аст, тамаркуз мекунад. Муҳаққиқон усули SWGAN-ро таҳия кардаанд, ки ҷараёни сефазаи статор ва ченкуниҳои ларзишро якҷо истифода бурда, барои синфҳои нуқсони камнамоянда намунаҳои сунъии спектралӣ тавлид мекунад. SWGAN сохтори шартии Wasserstein GAN-ро бо self-attention барои дарёфти робитаҳои байни ҷузъҳои басомадии аз ҳам дур дар спектр ва gradient normalization барои баланд бардоштани устувории омӯзиши adversarial муттаҳид мекунад.
Усул сигнали хомро мустақиман тасниф намекунад. Дар канали ларзиш спектри лифофа тавассути табдили Hilbert ва дар ҷараёни сефаза пас аз табдили Clarke спектри бузургии вектори фазоӣ гирифта мешавад. SWGAN синфҳои нуқсони камшуморро дар ҳамин фазои спектралӣ бо намунаҳои синтетикӣ пурра мекунад. Хусусиятҳои воқеӣ ва тавлидшудаи ҷараён/ларзиш баъдан дар ду шохаи ҷудогонаи рамзгузорӣ коркард шуда, дар сатҳи хусусиятҳо якҷо ва ба таснифгари асосёфта ба SAE дода мешаванд.
Тибқи натиҷаҳои муфассали таҳқиқот, дар Dataset-и PMSM бо суръати доимӣ, дар Case A бо нобаробарии миёнаи синфҳо, SWGAN дақиқии %97,81 ± 0,53 ба даст овард. Дар шароити вазнинтари Case B дақиқӣ то %93,77 ± 1,12 коҳиш ёфт, вале аз хатти базавии WCGAN, ACGAN, DCGAN ва SAE бе афзоиши додаҳо баландтар монд. Дар Dataset-и муҳаррики асинхронӣ бо суръати тағйирёбанда низ ҳангоми кам шудани нобаробарии синфҳо бартарии SWGAN равшантар гардид; дар Шакли 24 барои шароити 1:10, 1:5 ва 1:2 мутаносибан дақиқии %81,3, %91,7 ва %95,9 гузориш шудааст.
Ин натиҷаҳо маънои онро надоранд, ки маълумоти синтетикӣ дар ҳар ҳолат ба маълумоти воқеӣ баробар аст. Дар шароити шадидтарини камбуди додаҳо фарқи иҷрои байни усулҳои GAN хурд мешавад; яъне вақте танҳо чанд намунаи воқеии нуқсон мавҷуд аст, иттилое, ки модели тавлидкунанда метавонад омӯзад, низ маҳдуд мемонад. Таҳқиқот инчунин наздикии намунаҳои синтетикиро ба тақсимоти воқеӣ бо JS divergence, cosine distance, t-SNE ва UMAP арзёбӣ мекунад, аммо сигналҳои тавлидшударо дар муҳаррики воқеӣ дубора ҳосил ва чен намекунад.
Аз нигоҳи Туркия, ин равиш барои таҳқиқотҳое қобили баррасӣ аст, ки дар муҳаррикҳои саноатӣ, мошинҳои истеҳсолӣ ё системаҳои нигоҳдорӣ бо камбуди додаҳои синфҳои нодири нуқсон рӯ ба рӯ мешаванд. Бо вуҷуди ин, таҳқиқот дар ягон корхона, парки муҳаррик ё инфрасохтори нигоҳдории Туркия анҷом дода нашудааст. Барои истифодаи маҳаллӣ, бо навъҳои воқеии муҳаррик, ҷойгиршавии сенсорҳо, профилҳои сарборӣ/суръат ва тақсимоти нуқсонҳо омӯзиши дубора ва тасдиқи мустақил зарур аст; арзишҳои дақиқии таҳқиқотро наметавон мустақиман ҳамчун иҷрои саҳроии маҳаллӣ қабул кард.
Чаро нобаробарии синфҳо дар ташхиси нуқсони муҳаррик мушкил аст?
Муҳаррик метавонад муддати дароз дар ҳолати муқаррарӣ кор кунад, дар ҳоле ки баъзе нуқсонҳо кам рух медиҳанд. Аз ин рӯ, дар пойгоҳи додаҳо намунаҳои кори солим зиёд буда, намунаҳои баъзе навъҳои нуқсон ё нуқсонҳои сабук кам буда метавонанд.
Вақте таснифгари омӯзиши амиқ бо чунин тақсимоти нобаробар омӯзонида мешавад, хусусиятҳои синфи аксариятро беҳтар меомӯзад, вале сарҳадҳои қарор барои синфҳои нодири нуқсонро мумкин аст кофӣ наомӯзад. Равиши ҳалли таҳқиқот ин аст, ки ба ҷойи танҳо нусхабардории маълумоти воқеии синфи ақаллият, тақсимоти онро омӯзад ва намунаҳои нави синтетикӣ тавлид кунад.
Чаро ду сенсори гуногун истифода мешаванд?
Таҳқиқот ба фарзия такя мекунад, ки маълумоти нуқсони электрӣ ва механикӣ метавонад ҳамдигарро пурра кунад. Ҷараёни статор вайроншавиҳои электромагнитиро инъикос мекунад, дар ҳоле ки сигналҳои ларзиш посухи механикӣ ва тағйироти сохториро мебаранд.
Аз ин рӯ, усул ба ҷойи тавлиди намуна танҳо аз як сенсор, хусусиятҳои спектралии ҷараён ва ларзишро якҷо истифода мебарад. Бо вуҷуди ин, дар манбаъ нишон дода нашудааст, ки марҳилаи тавлид бо ягон талафоти махсуси мутобиқати муштарак байни ин ду модалият омӯзонида шудааст; модалиятҳои тавлидшуда баъдан дар сатҳи хусусиятҳо муттаҳид мешаванд.
Сигнали ларзиш чӣ гуна омода мешавад?
Сигнали ларзиш аввал аз филтри бандгузар дар атрофи минтақаи интихобшудаи резонанс гузаронида мешавад:
\[ x_f(t)=B\{x(t)\} \]
Сипас бо табдили Hilbert сигнали аналитикӣ ҳосил мешавад:
\[ z(t)=x_f(t)+jH[x_f(t)] \]
Амплитудаи лифофа:
\[ a(t)= \sqrt{x_f^2(t)+H[x_f(t)]^2} \]
ҳисоб карда мешавад. Қимати мутлақи табдили Fourier-и он спектри лифофаи ларзишро медиҳад:
\[ E(f)=|\mathcal{F}\{a(t)\}| \]
Ин амал барои равшан кардани ҷузъҳои модулятсия, ки аз зарбаҳои механикӣ ба вуҷуд меоянд, истифода мешавад.
Аз ҷараёни сефаза кадом хусусият гирифта мешавад?
Ҷараёнҳои сефазаи мувофиқ ба фазаҳои U, V ва W тавассути табдили Clarke ба системаи координатаҳои собити αβ гузаронида мешаванд:
\[ \begin{bmatrix} i_\alpha(t) \\ i_\beta(t) \end{bmatrix} = \frac{2}{3} \begin{bmatrix} 1 & -1/2 & -1/2 \\ 0 & \sqrt{3}/2 & -\sqrt{3}/2 \end{bmatrix} \begin{bmatrix} i_a(t)\\ i_b(t)\\ i_c(t) \end{bmatrix} \]
Бузургии вектори фазоӣ:
\[ i_s(t)= \sqrt{i_\alpha^2(t)+i_\beta^2(t)} \]
ба даст оварда мешавад ва баъдан:
\[ S(f)=|\mathcal{F}\{i_s(t)\}| \]
бо он спектри ҷараён сохта мешавад. Дарозии ниҳоии спектралӣ барои ҳар ду модалият 2400 нуқта аст.
SWGAN чӣ тағйир медиҳад?
Модели асосӣ Wasserstein GAN-и шартӣ мебошад. Ба генератор садои тасодуфӣ ва нишонаи синфи нуқсон дода мешавад, то спектри марбут ба синфи муайяни нуқсон тавлид гардад.
SWGAN ду ҷузъи иловагии асосӣ дорад:
- Self-attention: Ҳадаф дорад байни ҷузъҳое, ки дар пайдарпаии спектралӣ аз ҳам дуранд, вале метавонанд қисми як имзои нуқсон бошанд, робита барқарор кунад.
- Gradient normalization: Ҳангоми омӯзиши Discriminator миқёси градиентро нормализатсия карда, барои устувортар шудани омӯзиши adversarial кӯшиш мекунад.
Дар манбаъ GN на ҳамчун механизме мисли spectral normalization, ки вазнҳои ҳар қабатро маҳдуд мекунад, балки ҳамчун равиши миқёскунии градиент дар сатҳи омӯзиш тавсиф шудааст. Гуфта мешавад, ки бар хилофи gradient penalty ба намунаҳои иловагии интерполятсия ва коэффициенти ҷаримаи танзимшаванда ниёз надорад.
Self-attention дар дохили спектр чӣ гуна кор мекунад?
Хусусиятҳои вурудӣ бо се табдили гуногун ба намояндагиҳои монанд ба query, key ва value ҷудо мешаванд. Муносибати хоми диққат байни ду хусусият:
\[ a_{i,j}=f(x_i)^Tg(x_j) \]
ҳосил шуда, бо softmax ба вазн табдил дода мешавад. Хусусиятҳои вазндор баъдан тавассути коэффициенти омӯзишшавандаи \(\gamma\) ба харитаи аслии хусусиятҳо илова мешаванд:
\[ y_i=\gamma o_i+x_i \]
Ҳамин тавр, қобилияти CNN барои гирифтани намунаҳои маҳаллӣ ва қобилияти self-attention барои вазн додан ба робитаҳои дуртари спектралӣ дар як генератор муттаҳид мешаванд.
Аз маълумоти тавлидшуда ба ташхис чӣ гуна мегузаранд?
Спектрҳои ларзиш ва ҷараён ҳар кадом ба намояндагии ҷудогонаи 512-андозаи хусусият рамзгузорӣ мешаванд. Ду намояндагӣ якҷо шуда, вуруди 1024-андоза ҳосил мекунад ва ин намояндагӣ аз қабати fusion-и 512-андоза мегузарад. Сипас бо қабатҳои пинҳонии 256 ва 128-андоза ва баромади SoftMax синфи нуқсон муайян карда мешавад.
Verianla Live: Занҷири ташхиси нуқсони муҳаррик бо SWGAN
Ҷараён пайдарпаии коркардро, ки дар усул ва Шакли 4-и таҳқиқот оварда шудааст, ба тоҷикӣ мегардонад. Марҳилаи дар манбаъ набуда илова нашудааст.
| Марҳила | Амал | Асоси манбаъ |
|---|---|---|
| 1. Ченкунии синхронӣ | Шитоби ларзиши муҳаррик ва ҷараёнҳои сефазаи статор ҷамъоварӣ мешаванд. | Бахш 3.3 |
| 2. Тақсим кардани сигнал | Ченкуниҳои пайваста ба равзанаҳои намунавии ҳаракаткунанда ё муайяншуда ҷудо мешаванд. | Бахш 3.3 ва 4 |
| 3. Хусусияти ларзиш | Бо лифофаи Hilbert ва табдили Fourier спектри лифофаи ларзиш сохта мешавад. | Муодила 19–22 |
| 4. Хусусияти ҷараён | Бо табдили Clarke, бузургии вектори фазоӣ ва табдили Fourier спектри ҷараён сохта мешавад. | Муодила 23–25 |
| 5. Нормализатсия | Хусусиятҳои спектралӣ ба фосилаи [-1,1] нормализатсия мешаванд. | Бахш 3.3 |
| 6. Омӯзиши SWGAN | Wasserstein GAN-и шартӣ бо self-attention ва gradient normalization синфҳои ақаллиятро меомӯзад. | Бахш 3.1–3.3 |
| 7. Тавлиди маълумоти синтетикӣ | Барои синфҳои нуқсони камнамоянда спектрҳои ҷараён ва ларзиш бо шарти нишона тавлид мешаванд. | Шакл 4 |
| 8. Якҷо кардани додаҳо | Намунаҳои воқеӣ ва синтетикӣ ба маҷмӯи омӯзишии тақрибан мутавозин табдил меёбанд. | Бахш 3.3 |
| 9. Фюжни хусусиятҳои бисёрмодалӣ | Пас аз рамзгузории ҷудогона, хусусиятҳои ҷараён ва ларзиш дар сатҳи хусусиятҳо якҷо мешаванд. | Ҷадвал 1 |
| 10. Таснифи нуқсон | Таснифгари асосёфта ба SAE ҳолати ниҳоии муҳаррикро муайян мекунад. | Бахш 3.2 |
Verianla Live: Манбаи илмии визуализатсия ҳамин ҷадвали намоён аст; ҳатто агар JavaScript хомӯш бошад, занҷири усул хонданӣ мемонад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- SWGAN ҳангоми дастгирии маълумоти омӯзишии нобаробар бо спектрҳои синтетикӣ дар ду Dataset-и гуногуни муҳаррик нисбат ба аксари усулҳои муқоисашудаи GAN дақиқии баландтари ташхис дод.
- Намунаҳои тавлидшудаи SWGAN аз рӯи JS divergence ва cosine distance нисбат ба DCGAN, ACGAN ва WCGAN тақсимоти ба маълумоти воқеӣ наздиктар нишон доданд.
- Истифодаи якҷояи self-attention ва gradient normalization дар таҷрибаҳои ablatsiya, бахусус вақте ки миқдори кофии намунаҳои ибтидоӣ мавҷуд буд, иҷроишро беҳтар кард.
- Гузориш шудааст, ки модели бо gradient normalization дар каҷҳои талафоти манбаъ нисбат ба муқоисаи бо GP ба мувозинати динамикӣ барвақттар расид.
- Истифодаи якҷояи маълумоти ҷараён ва ларзиш дар баъзе шароити нобаробарӣ нисбат ба муқоисаҳои якмодалӣ бартарӣ дод.
- Усул ба ғайр аз маълумоти PMSM-и суръати доимӣ дар Dataset-и муҳаррики асинхронӣ бо суръати тағйирёбанда низ татбиқ шуд.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
- Исбот нашудааст, ки спектрҳои синтетикӣ ҳар як ҷузъиётеро, ки муҳаррики воқеӣ ҷисман тавлид карда метавонад, дуруст инъикос мекунанд.
- Нишон дода нашудааст, ки SWGAN дар муҳаррики саноатии воқеӣ ба таври online ва real-time кор мекунад.
- Нишон дода нашудааст, ки усул барои ҳар навъи муҳаррик, системаи сенсор ё оилаи нуқсонҳо ҳамон дақиқиро медиҳад.
- Дар шадидтарин камбуди додаҳо бартарии равшани модели тавлидкунанда нишон дода нашудааст; вақте танҳо чанд намунаи воқеии нуқсон ҳаст, усулҳои GAN натиҷаҳои ба ҳам наздик медиҳанд.
- Ягон талафоти махсуси тавлиди муштарак ё меъёри cross-modal consistency, ки ҳамоҳангии ҷисмонии байни ду модалияти синтетикиро маҷбур кунад, ба таври равшан нишон дода нашудааст.
- Арзишҳои дақиқии мақола мустақиман маънои коҳиши хароҷоти нигоҳдории пешгӯишаванда, кам шудани таваққуфи ғайринақшавӣ ё афзоиши эътимоднокии саноатиро надоранд.
Ин барои истифодаҳо дар Туркия чӣ маъно дорад?
Аз нигоҳи корхонае дар Туркия, соҳаи эҳтимолии асосии истифодаи усул системаҳои мониторинги муҳаррик мебошанд, ки дар онҳо сабтҳои зиёди кори муқаррарӣ мавҷуданд, вале баъзе навъҳои нуқсон кам мушоҳида мешаванд. Аммо муҳаррикҳо, тартиби намунагирии сенсорҳо ва тақсимоти нуқсонҳо дар таҳқиқот ягон корхонаи маҳаллиро мустақиман намояндагӣ намекунанд. Пеш аз татбиқ бояд аз оилаи дахлдори муҳаррик сабтҳои воқеии солим ва носолим ҷамъоварӣ, SWGAN бо ҳамин тақсимот аз нав омӯзонида ва намудҳои хато дар маҷмӯи мустақили тест пеш ва пас аз илова кардани маълумоти синтетикӣ алоҳида арзёбӣ шаванд.
Усул ва натиҷаҳои таҳқиқот
Сохтори шабакаи SWGAN
| Ҷузъ | Сохтори дар манбаъ додашуда |
|---|---|
| Вуруди Generator | 2400-андозаи садо + 8-андозаи label; ҳамагӣ 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 |
| Баромади Generator | Намунаи спектралии 2400-андоза |
| Discriminator | 2408 → 512 → 128 → 32 → 1 |
| Рамзгузори ларзиш | 2400 → 512 |
| Рамзгузори ҷараён | 2400 → 512 |
| Фюжн | 1024 → 512 → 256 → 128 → шумораи синфҳо |
Гарчанде дар манбаъ андозаи label ҳашт нишон дода шудааст, дар таҷрибаҳои асосӣ даҳ синф истифода мешавад. Азбаски тавзеҳ дода нашудааст, ки намояндагии шартии ҳаштандоза ба даҳ синф чӣ гуна мутобиқ шудааст, ин ҷузъиёти меъморӣ аз ҷиҳати такрорпазирӣ номуайян аст.
Танзимоти омӯзиш
| Параметр | Арзиш |
|---|---|
| Забони барномасозӣ | Python 3.10 |
| Чаҳорчӯба | PyTorch 2.11 |
| Optimizer | Adam |
| Суръати омӯзиш | 1 × 10−4 |
| Batch size | 100 |
| Epoch | 200 |
| Таҷрибаи такрорӣ | 20 |
| CPU | Intel i7-14700KF |
| RAM | 64 GB |
| GPU | NVIDIA 5060Ti, 16 GB |
Ин арзишҳо ҳамон тавре дода шудаанд, ки дар манбаъ гузориш шудаанд; версияҳои нармафзор ва сахтафзор аз берун ислоҳ нашудаанд.
Dataset A: нуқсонҳои статори PMSM бо суръати доимӣ
Dataset-и аввал сабтҳои ҷараён ва ларзишро аз муҳаррикҳои синхронии сефазаи магнитҳои доимӣ дар бар мегирад. Дар манбаи додаҳо се муҳаррик бо қувваҳои 1,0 kW, 1,5 kW ва 3,0 kW мавҷуданд. Ченкуниҳо дар суръати доимии 3000 rpm анҷом дода шудаанд. Ларзиш дар самти меҳварӣ бо акселерометре, ки ба подшипники муҳаррик гузошта шудааст, бо 25,6 kHz ва ҷараёнҳои фазаҳои U, V ва W бо зондҳои ҷараён бо 100 kHz намунагирӣ шудаанд.
Нуқсонҳои кӯтоҳшавии статор дар фазаи U ба таври сунъӣ эҷод шудаанд. Кӯтоҳшавии байни печҳои як ғалтак ҳамчун inter-turn, кӯтоҳшавии байни ғалтакҳои ҳамсоя ҳамчун inter-coil модел шудааст. Бо кам шудани муқовимати bypass, шиддати кӯтоҳшавӣ меафзояд:
\[ FaultRatio= \left( \frac{R}{R+R_{\mathrm{bypass}}} \right)\times100 \]
Оё намунаҳои воқеӣ ва синтетикӣ ба ҳам монанданд?
Таҳқиқот танҳо ба дақиқии тасниф нигоҳ намекунад. Монандии спектрҳои воқеӣ ва тавлидшударо бо Jensen–Shannon divergence ва cosine distance арзёбӣ мекунад. Дар ҳар ду меъёр арзиши пасттар маънои монандии бештарро дорад.
Дар графикҳои violin-и 20 такрори намунаҳои IT1, IT3 ва IC3 нишон дода шудааст, ки тақсимоти SWGAN нисбат ба моделҳои DCGAN, ACGAN ва WCGAN дар минтақаҳои пасттари JS divergence ва cosine distance ҷамъ шудаанд. Аммо азбаски манбаъ барои ин графикҳо ҷадвалҳои пурраи миёнаҳои ададиро пешниҳод накардааст, аз рӯйи чашм рақамҳои тахминӣ сохта нашудаанд.
Натиҷаҳои нобаробарии синфҳо дар PMSM
Дар Case A ва Case B, ки нобаробарии воқеии синфҳоро баррасӣ мекунанд, синфи солим бо 200 намунаи омӯзишӣ нигоҳ дошта шудааст, дар ҳоле ки синфҳои нуқсон ба миқдорҳои гуногун кам карда шудаанд. SWGAN ва дигар усулҳои GAN барои пур кардани синфҳои ақаллият то таносуби омӯзишии 1:1 истифода шудаанд.
| Усул | Дақиқии Case A (%) | Дақиқии Case B (%) |
|---|---|---|
| SAE — бе афзоиши додаҳо | 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: Дақиқии ташхис дар PMSM зери нобаробарии синфҳо
Case A шароити нобаробарии миёна ва Case B шароити вазнинтари нобаробарии синфҳо мебошад. Арзишҳо аз миёнаҳои 20 иҷрои мустақил дар бахши натиҷаҳои таҳқиқот гирифта шудаанд.
| Усул | Case A (%) | Case B (%) | Манбаъ |
|---|---|---|---|
| SAE | 65,50 | 58,78 | Бахш 4.1.4, Шакл 12 |
| DCGAN | 82,32 | 78,67 | Бахш 4.1.4, Шакл 12 |
| ACGAN | 87,39 | 81,17 | Бахш 4.1.4, Шакл 12 |
| WCGAN | 94,05 | 88,76 | Бахш 4.1.4, Шакл 12 |
| SWGAN | 97,81 | 93,77 | Бахш 4.1.4, Шакл 12 |
Verianla Live: Ҷадвали намоён scientific source-of-truth аст. Арзишҳои хато дар ҷадвали асосии статикӣ нигоҳ дошта шудаанд; муқоисаи Live аз дақиқиҳои миёна истифода мекунад.
Дар Case B иҷроиши ҳамаи усулҳо коҳиш ёфт. Ин натиҷа махсусан муҳим аст: афзоиши додаҳои тавлидшуда иттилои воқеии нуқсонро пурра иваз намекунад. Вақте маълумоти ибтидоии синфи ақаллият боз ҳам кам карда шуд, худи SWGAN низ иҷроишро аз даст дод.
Dataset B: муҳаррики асинхронӣ бо суръати тағйирёбанда
Дар Dataset-и дуюм таҷҳизоти таҷрибавӣ аз муҳаррики асинхронии сефазаи 2,2 kW, сенсори момент, редуктори параллелии дуқабата ва тормози хокаи магнитӣ иборат буд. Ларзиши се меҳвар, ҷараёни сефаза, момент ва сигналҳои key-phase ба таври синхронӣ бо 12,8 kHz ҷамъоварӣ шудаанд.
Дар таҳқиқот ҳолати кори суръати тағйирёбандаи 0–1000 rpm зери сарбории доимии 20 Nm интихоб шудааст.
| Нуқсон | Сатҳ / танзими ҷисмонӣ |
|---|---|
| Солим — NC | Нуқсон нест |
| Inter-turn IC1 | %5 rated-current shunt |
| Inter-turn IC2 | %10 rated-current shunt |
| Хамшавии ротор — RB | Хамшавии доимии 0,2 mm |
| Нобаробарии шиддат — VU1 | %4 |
| Нобаробарии шиддат — VU2 | %8 |
| Эксцентриситети статикӣ — SE1 | Ҷойивазкунии радиалии 0,125 mm |
| Эксцентриситети статикӣ — SE2 | Ҷойивазкунии радиалии 0,250 mm |
| Номувозинии ротор — RU | Массаи иловагии номувозинӣ |
| Милаҳои шикастаи ротор — RR | 3 милаи пайдарпай бардошта шуда, вазни муқобил илова шудааст |
Ҳангоми кам шудани миқдори додаҳо дар суръати тағйирёбанда чӣ рӯй дод?
Синфи солим дар 200 намунаи омӯзишӣ нигоҳ дошта шуда, нӯҳ синфи нуқсон дар сатҳҳои 4, 10, 20, 40, 100 ва 200 намуна санҷида шудаанд. Дар ҳар синф маҷмӯи тест бо 200 намунаи воқеӣ нигоҳ дошта шуд.
| Усул | 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 |
Дар ин натиҷаҳо як ҷузъиёти муҳим вуҷуд дорад. Дар шадидтарин ҳолати 1:50, SWGAN бо %49,9 беҳтарин усули ҳамаи моделҳо нест; WCGAN натиҷаи %50,1 додааст. Дар ҳолати 1:20 низ ACGAN бо %58,8 каме аз %58,2-и SWGAN болотар аст. Бартарии равшани SWGAN махсусан дар 1:10, 1:5 ва 1:2 зоҳир мешавад.
Дар ҳолати 1:1 бошад, SAE бе афзоиши додаҳо %98,1 ва SWGAN %97,9 аст. Аз ин рӯ, вақте маълумоти воқеӣ кофӣ аст, аз ин график наметавон хулоса кард, ки истифодаи маълумоти синтетикӣ аз маълумоти воқеӣ беҳтар аст.
Таҷрибаи ablatsiya дар бораи self-attention ва GN чӣ мегӯяд?
Дар таҷрибаи иловагии панҷҳолата, модели пурраи пешниҳодшуда бо варианти gradient penalty, варианти бе self-attention, усули танҳо ларзиш ва усули танҳо ҷараён муқоиса шудааст.
| Модел | 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 |
| Танҳо ларзиш | 62,6 | 64,2 | 73,6 | 81,6 | 89,1 | 93,3 |
| Танҳо ҷараён | 63,1 | 66,7 | 74,5 | 84,1 | 93,2 | 96,8 |
Сохтори пурраи SWGAN аз 1:10 сар карда дар ин ҷадвал дақиқии баландтаринро ба даст овард. Аммо дар камбуди шадиди додаҳо, монанди 1:50 ва 1:20, равиши танҳо ҷараён натиҷаи баландтар дод. Ин низ нишон медиҳад, ки бартарии ҷузъҳои модел ба миқдори намунаҳои воқеии ибтидоӣ вобаста аст.
Дар каҷҳои талафот гуфта мешавад, ки модели пурра бо gradient normalization тақрибан пас аз 120 epoch ба мувозинати динамикӣ расидааст, дар ҳоле ки варианти gradient penalty тақрибан пас аз 160 epoch ба мувозинати монанд наздик шудааст. Ин мушоҳида нишондиҳандаи устувории омӯзиш аст; дар манбаъ барои он санҷиши алоҳидаи омории конвергенсия дода нашудааст.
Маҳдудиятҳои асосии методӣ
- Намунаҳои тавлидшуда дар муҳаррики воқеӣ ҷисман дубора чен нашудаанд.
- SWGAN асосан барои augmentation-и офлайн истифода шудааст; татбиқи real-time embedded анҷом дода нашудааст.
- Арзёбии таснифгар бо қисмҳои тестии аз ҳамон Dataset-ҳо ҷудошуда анҷом шудааст; тасдиқ дар Dataset-и мустақили саҳроии саноатӣ пешниҳод нашудааст.
- Барои мутобиқати ҷисмонии байни модалиятҳо дар тавлиди бисёрмодалӣ метрикаи алоҳидаи миқдории consistency гузориш нашудааст.
- Дақиқиҳои миёнаи мушаххаси Case C ва Case D дар матни натиҷаҳо ҳамчун ҷадвали рақамӣ дода нашудаанд; бинобар ин аз тасвири график рақамҳои нави дақиқ ҳосил карда нашудаанд.
- Дар дохили манбаъ байни хулоса, ҷадвал ва тавсифҳои усул баъзе номувофиқиҳои ададӣ ва истилоҳӣ мавҷуданд.
Ёддошт оид ба манбаъ ва усул
Кори аслӣ: Generative Dual-Modal Data Augmentation for Motor Fault Diagnosis Under Sample Imbalance.
Муаллифон ва тартиби онҳо: Ganxin Jie; Cailiang Zhang; Junqing Ma; Yang Yang; Chuan Chen.
Муаллифи масъул: Cailiang Zhang. Дар манбаъ баёнияи муаллифи якуми баробар/саҳми баробар вуҷуд надорад.
Муассисаҳо: 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.
Маҷалла: Machines. Ношир: MDPI. Ҷилд: 14. Мақола: 633. Санаи нашр: 1 Июн 2026. DOI: 10.3390/machines14060633. Пайванди расмӣ: https://doi.org/10.3390/machines14060633
Навъи манбаъ ва ҳолати peer review: Мақолаи таҳқиқотиест, ки аз арзёбии ҳамтоён гузаштааст. Таҳқиқот 12 Апрел 2026 қабул, 8 Май 2026 бозбинӣ ва 11 Май 2026 пазируфта шудааст.
Литсензия: Creative Commons Attribution (CC BY) литсензияи дастрасии кушода.
Маблағгузорӣ: Аз ҷониби State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd. бо лоиҳаи рақами 2025EASKJ-010 дастгирӣ шудааст.
Дастрасии додаҳо: Dataset A аз Dataset-и оммавии нуқсони статори PMSM-и сефаза, ки гурӯҳи таҳқиқотии KAIST нашр кардааст; Dataset B аз Dataset-и нуқсони муҳаррики асинхронии сефаза дар шароити кори тағйирёбанда аз гурӯҳи таҳқиқотии Tsinghua University гирифта шудааст. Дар мақола барои ҳар ду манбаъ пайвандҳои Mendeley Data дода шудаанд.
Манфиатҳои рақобатӣ ва баёнияи маблағгузор: Муносибатҳои шуғлии Ganxin Jie, Yang Yang ва Chuan Chen бо China National Electric Apparatus Research Institute Co., Ltd. ва General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd. ошкор шудаанд. Тибқи манбаъ, маблағгузор дар тарҳи таҳқиқот, ҷамъоварии додаҳо, таҳлил, тафсир, навиштан ё қарор барои нашр иштирок накардааст.
Саҳми муаллифон: Консептуализатсия J.M. ва C.Z.; методология J.M.; нармафзор J.M.; тасдиқ C.Z.; захираҳо C.C.; нусхаи аввал J.M.; бозбинӣ ва таҳрир C.Z.; роҳнамоӣ G.J.; идоракунии лоиҳа Y.Y.; дарёфти маблағ G.J. анҷом додааст.
Усули илмӣ, меъморӣ, муодилаҳо, Dataset-ҳо, натиҷаҳои ташхис ва маҳдудиятҳои ин мақолаи Verianla танҳо ба таҳқиқоти баррасишуда такя мекунанд. Санҷиши манбаи беруна танҳо барои шахсияти библиографии нашр истифода шудааст; аз берун натиҷаи нави иҷроиш ё бозёфти таҷрибавӣ илова нашудааст.
Баъзе номувофиқиҳои муҳими дохили манбаъ нигоҳ дошта шудаанд. Баъзе қиматҳои баландтарини дақиқӣ дар хулоса бо қиматҳои ҷадвалҳои муфассал ва графикҳо комилан мувофиқат намекунанд. Дар меъмории SWGAN андозаи label ҳашт навишта шудааст, дар ҳоле ки таҷрибаҳои асосии тасниф даҳ синф доранд. Дар баъзе бахшҳои Dataset A истилоҳҳои “limited training set” ва “imbalance ratio” бо ҳам комилан мувофиқ нестанд. Қимати муҳаррики 2000 W дар ҷадвали Case A/B бо қувваҳои пештар таърифшудаи 1000, 1500 ва 3000 W мувофиқат намекунад. Дар бахши ablatsiya Dataset иштибоҳан “bearing dataset” номида шудааст ва шиддати IT1 бо ду қимати гуногун дода шудааст. Ин номуайяниҳо хомӯшона ислоҳ нашудаанд.
Арзиши асосии илмии таҳқиқот дар он аст, ки модели шартии тавлидкунанда бо self-attention ва gradient normalization дар ду Dataset-и гуногуни муҳаррик санҷида шудааст, то синфҳои ақаллияти нуқсони муҳаррикро бо спектрҳои ҷараён ва ларзиш дастгирӣ кунад. Бо вуҷуди ин, натиҷаҳо далели мустақими ташхиси real-time embedded дар саҳро ё эътибори ҷисмонии як-ба-яки намунаҳои тавлидшуда нестанд.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд