Чаҳорчӯбаи пешгӯии сифати истеҳсоли муҳаррик, ки дар таҳқиқот пешниҳод шудааст, низоми муттаҳидаи омӯзиши мошинӣ мебошад, ки метавонад дар дастгоҳҳои edge кор кунад ва барои таснифи муҳаррикҳои нуқсондор ва пешгӯии пайвастаи кори муҳаррик бо коркарди зиёда аз 12.000 параметр аз сенсорҳои гетерогении истеҳсолӣ тарҳрезӣ шудааст. Меъморӣ аз се ҷузъи марказӣ истифода мебарад: Sparse Autoencoder (SAE), ки маълумоти сенсории баландандоза ва пурғавғоро фишурда мекунад; Class-Specific Weighted Ensemble (CSWE), ки ҳадаф дорад шумораи ками намунаҳои нуқсондорро самараноктар ошкор кунад; ва Adaptive Regime-Switching Regression (ARSR), ки барои режимҳои гуногуни кори муҳаррик мутахассисони гуногуни регрессияро истифода мебарад. Низом дар се маҷмӯаи додаҳои оммавӣ ва дар хатти воқеии васлкунии муҳаррики H4 арзёбӣ шудааст. Дар татбиқи саноатӣ Recall-и ошкорсозии нуқсон аз %69,20 ба %76,92 афзуда, таъхири миёнаи хулосабарорӣ 80 ± 3 ms буд ва дар давраи озмоишии семоҳа коҳиши %7,2 дар таносуби таъмир/коркарди дубораи муҳаррикҳо гузориш шудааст. Бо вуҷуди ин, Recall-и %76,92 аз ҳадафи >%95, ки муаллифон барои таъмини сифат идеалӣ мешуморанд, пасттар аст; илова бар ин, додаҳои сенсории ҷадвалии якмодалӣ наметавонанд аномалияҳои микроскопии сохториро пурра ошкор кунанд.

Масъалаи асосии муҳандисии таҳқиқот он аст, ки маълумоти сенсорӣ дар хатҳои васлкунии муҳаррики автомобил на танҳо ҳаҷми калон дорад, балки аз ҷиҳати физикӣ низ гетерогенӣ мебошад. Бузургиҳое чун моменти печондан, кунҷи гардиш, суръати гардиши муҳаррик, ҳарорат, фишор ва ихроҷ дар миқёсҳои гуногун чен карда мешаванд; сенсорҳо дахолати электромагнитӣ, додаҳои гумшуда, коррелятсияи баланд ва тағйироти омории вобаста ба марҳилаҳои корро дар бар мегиранд. Илова бар ин, шумораи муҳаррикҳои нуқсондор нисбат ба муҳаррикҳои муқаррарӣ хеле кам аст. Ин шароит метавонад моделҳоеро ба вуҷуд оварад, ки дақиқии умумии баланд доранд, аммо қисми муҳими нуқсонҳои воқеиро аз даст медиҳанд.

Таҳқиқот ба ҷойи ҳалли ин мушкилот бо як модели вазнини омӯзиши амиқ вазифаҳоро аз ҳам ҷудо мекунад. Дар марҳилаи аввал SAE фазои умумии хусусиятҳои ниҳониро месозад. Сипас дар вазифаи таснифот CSWE мувофиқи қобилияти ҳар як таснифгари асосӣ дар синфҳои муайяни нуқсон аз овоздиҳии вазндор истифода мебарад. Дар вазифаи регрессия ARSR ба ҷойи як функсияи глобалии регрессия мутахассисони маҳаллиеро истифода мебарад, ки ба режимҳои гуногуни кор мувофиқанд. Дар benchmark-ҳои оммавӣ режимҳо бо K-Means дар хусусиятҳои ниҳонии SAE кашф мешаванд, дар ҳоле ки дар версияи edge-и хатти воқеии истеҳсолӣ барои кам кардани арзиши ҳисоббарорӣ режимҳои Start-up, High-speed ва Idle бевосита бо ҳудудҳои RPM роҳнамоӣ шудаанд.

Чаро пешгӯии сифати истеҳсоли муҳаррик душвор аст?

Дар хатти муосири васлкунии муҳаррик иттилооти сифат аз як сенсор намеояд. Дар истгоҳҳои гуногуни истеҳсолӣ ҳазорҳо тағйирёбанда ба мисли моменти маҳкамкунии болт, кунҷи гардиш, фосилаҳои геометрӣ, герметикӣ, фишор, ҷараён, суръати гардиши муҳаррик, ҳарорат ва параметрҳои ECU ба вуҷуд меоянд. Пойгоҳи додаҳои саноатӣ дар таҳқиқоти манбаъ дар се соҳаи асосии физикии додаҳо ташкил шудааст, ки истгоҳҳои истеҳсолиро аз OP10 то OP130 фаро мегиранд: додаҳои раванд, додаҳои сифат ва додаҳои кор.

Сигналҳои механикӣ дар истгоҳҳои маҳкамкунӣ бо басомади намунагирии 5 Hz сабт шудаанд. Додаҳои стенди кори EOL тағйирёбандаҳое чун суръати гардиш ва моментро дар бар мегиранд, ки ҳолати функсионалии муҳаррикро ифода мекунанд. Engine ID калиди асосиест, ки ҳамаи сабтҳои истгоҳҳои гуногунро ба ҳамон як муҳаррики физикӣ мепайвандад.

Хатти замонии додаҳо чӣ гуна аз нав сохта шуд?

Сабтҳои хом мувофиқи иерархияи Engine ID → Category/Workstation → Inspection Time тартиб дода шудаанд. Ҳамин тавр, андозагириҳои сенсорӣ аз истгоҳҳои гуногуни истеҳсолии як муҳаррик ба траекторияи хронологии васлкунӣ табдил дода шуданд.

Нишонаҳои Pass/Fail дар таснифи нуқсон ва ҳадафҳои RPM/Torque, ки барои регрессия истифода шудаанд, аз стенди сертификатшудаи озмоиши EOL гирифта шудаанд. Баъзе намунаҳои наздик ба сарҳади қарор низ аз ҷониби муҳандисони калони сифат дастӣ аз нав баррасӣ шудаанд.

Додаҳои гумшуда ва пурғавғо чӣ гуна коркард шуданд?

Пешкоркард аз чор амали ҳамзамон иборат буд:

1. Бартараф кардани қиматҳои берунӣ,
2. Пур кардани қиматҳои гумшуда бо интерполятсияи ададӣ,
3. Кам кардани ғавғо бо филтрҳои ҳамворкунанда,
4. Стандартсозии миқёсҳои физикӣ.

Вақте ки таносуби додаҳои гумшуда дар як канали сенсор ё намуна аз %30 зиёд мешуд, додаҳои дахлдор хориҷ карда мешуданд. Ин ҳад танҳо ҳамчун филтри эмпирикӣ гузошта нашуда, балки дар дохили таҳқиқот аз ҷиҳати физикӣ низ баррасӣ шудааст. Дар намунагирии 5 Hz нуқтаҳои пайдарпай тақрибан 0,2 s фосила доранд. Талафоти зиёда аз %30 метавонад дар баъзе равзанаҳои корӣ минтақаҳои кӯри тақрибан 0,8-1,0 s ба вуҷуд оварад. Бо дарназардошти он ки гузаришҳои муҳими механикӣ дар равзанаҳои танги тақрибан 1,5-2,0 s рух медиҳанд, чунин талафот метавонад имзои воқеии динамикиро аз байн барад.

Муаллифон қайд мекунанд, ки агар ҳад хеле сахттар, масалан <%10 карда шавад, зиёда аз %40 намунаҳои ҷамъоваришуда дар муҳити душвори саноатӣ метавонанд партофта шаванд. Чунин филтркунӣ на танҳо ҳаҷми омӯзишро коҳиш медиҳад, балки метавонад боис шавад, ки модел танҳо шароити идеалии сенсорро бинад ва намунаҳои нуқсони пурғавғои истеҳсоли воқеиро наомӯзад.

Sparse Autoencoder Дар Ин Таҳқиқот Чӣ Вазифа Дорад?

Sparse Autoencoder (SAE) ҷузъи ғайрихаттии истихроҷи хусусият аст, ки барои фишурдани додаҳои сенсории дорои зиёда аз 12.000 параметр ва миқёсҳои гуногун ба тасвири ниҳонии камандоза истифода мешавад ва ҳамзамон тавассути ҷазои камёбӣ ғавғои сенсории номуназзам ё бе иттилоотро пахш мекунад.

PCA Whitening ва стандартсозӣ

Азбаски дар додаҳои сенсории саноатӣ байни тағйирёбандаҳое чун момент ва фишор метавонад ҳамбастагии қавии бисёрхаттӣ вуҷуд дошта бошад, таҳқиқот барои додаҳои саноатӣ PCA Whitening истифода кардааст:

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

Дар ин ҷо \(X\) матритсаи воридот, \(\mu\) миёнаи аз додаҳои омӯзишӣ ҳисобшуда, \(U\) матритсаи векторҳои хос, \(\Lambda\) матритсаи қиматҳои хос, \(I\) матритсаи воҳид ва \(\epsilon\) узви устувории ададӣ мебошад. Табдил ҳангоми миқёс кардани дисперсияҳои тағйирёбандаҳо инчунин ҳадаф дорад сохтори коррелятсияро ҷудо кунад.

Дар додаҳои benchmark-и камандозатар ба мисли AI4I, SECOM ва C-MAPSS вобаста ба сохтори додаҳо Z-Score ё Min-Max scaling истифода шудааст. Муҳимтарин тадбири пешгирии ихроҷи додаҳо он аст, ки омори стандартсозӣ ва вазнҳои SAE танҳо аз додаҳои омӯзишии бе нишона омӯхта шуда, ба намунаҳои валидация ва тест ҳамон табдили яхкардашуда татбиқ карда мешавад.

Функсияи талафоти SAE

Функсияи муттаҳидаи ҳадафи SAE, ки дар манбаъ дода шудааст:

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

Узви аввал хатои бозсозии сигнали воридотӣ мебошад ва ҳадаф дорад иттилооти асосиро нигоҳ дорад. Узви дуюм ҷазои вазни L2 аст, ки бо \(\lambda\) вазн дода шудааст ва мураккабии моделро маҳдуд мекунад. Узви сеюм ҷазои камёбӣ аст, ки бо \(\beta\) вазн дода шудааст. \(KL(\rho\|\hat{\rho}_j)\) фаъолияти миёнаи воҳиди ниҳонӣ \(\hat{\rho}_j\)-ро ба фаъолияти пасти ҳадаф \(\rho\) наздик мекунад.

Ин сохтор ба SAE имкон медиҳад, ки на танҳо андозаро кам кунад, балки хусусиятҳои ниҳонии доиман ғайрифаъол ё бе иттилоотро низ пахш кунад. Таҳқиқот параметрҳои шабакаро бо алгоритми L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) оптимизатсия кардааст.

Noise-Aware Residual Fusion

Азбаски фишурдани амиқ метавонад қисме аз ҷузъиёти воқеии физикии басомади баландро низ гум кунад, манбаъ пайвасти шартии боқимондаи сигнали хомро истифода кардааст:

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

\(\gamma\in\{0,1\}\) ду режими корро интихоб мекунад.

• Mode I, \(\gamma=0\): Дар додаҳои саноатии хеле баландандоза ва пурғавғо танҳо хусусиятҳои ниҳонии SAE истифода мешаванд. Ҳадаф то ҳадди имкон кам кардани андоза ва ғавғо мебошад.
• Mode II, \(\gamma=1\): Дар додаҳои benchmark-и камандозатар ва тозатар хусусиятҳои хоми стандартшуда ва хусусиятҳои SAE якҷоя истифода мешаванд.

Манбаъ ин қарорро ба таъсири муштараки таносуби сигнал-ғавғо ва андозаи воридот вобаста мекунад. Азбаски дар низоми саноатӣ \(N_{in}\) тақрибан 10.000 ё болотар аст, deployment-и воқеии edge дар режими \(\gamma=0\) кор кардааст.

Ҷудокунии режимҳои кори муҳаррик

Давраи озмоиши EOL-и муҳаррик ба се режими физикӣ ҷудо шудааст:

• Start-up Phase (SUP): суръатгирии зуд ва тақрибан хаттӣ,
• High-Speed Phase (HSP): динамикаи басомади баланд ва бештар ғайрихаттӣ,
• Idle Phase (IP): кори устувор бо амплитудаи паст.

Минтақаҳои гузариш байни ин фазҳо аз арзёбӣ хориҷ карда шуданд, то ғавғои баланди гузарое, ки стенди озмоишӣ ва муҳаррик якҷоя ба вуҷуд меоранд, имзои сифатро вайрон накунад. Расми 5 дар саҳифаи 11-и манбаъ профили пайвастаи суръати гардиш ва ҳудудҳои SUP-HSP-IP-ро ба таври равшан нишон медиҳад.

Чаро ARSR Ба Ҷойи Як Модели Регрессия Аз Якчанд Мутахассис Истифода Мебарад?

Adaptive Regime-Switching Regression (ARSR) барои интихоб кардани мутахассиси маҳаллии регрессия бо хатои камтарини валидация барои ҳар як режим тарҳрезӣ шудааст, на барои маҷбур кардани режимҳои муҳаррик бо сохторҳои омории гуногун, ба мисли Start-up, High-speed ва Idle, ба як функсияи ягонаи глобалӣ.

Меъмории умумии ARSR

Дар benchmark-ҳои оммавӣ ARSR бо истифода аз K-Means дар фазои ниҳонии SAE режимҳоро бе нишона кашф мекунад:

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

Барои ҳар кластер аз моделҳое чун LR, SVR, XGBoost ва GBR, ки ғаразҳои индуктивии гуногун доранд, ҳавзи мутахассисон сохта мешавад. Модели интихобшуда барои режими \(C_k\):

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

муайян карда мешавад. Яъне номи алгоритм пешакӣ собит нест; ҳар кадом модели номзад, ки хатои валидацияро дар режими дахлдор камтарин кунад, ҳамчун мутахассис истифода мешавад.

Чаро дар корхонаи воқеӣ K-Means истифода нашуд?

Дар версияи edge-и хатти истеҳсолӣ кашфи режим бо K-Means дар ARSR қасдан тағйир дода шудааст. Азбаски фазҳои Start-up, High-speed ва Idle бо ҳудудҳои физикии RPM ба таври детерминистӣ муайян шуда метавонанд, дар низоми воқеӣ ба ҷойи K-Means ҳамин роҳнамоии собити ба физика асосёфта истифода шудааст. Ҳадаф бартараф кардани арзиши кластербандии онлайн, комилан такроршаванда кардани таъйини режим ва мондан дар ҳудуди вақти Takt-и 100 ms мебошад.

Аз ин рӯ, ду конфигуратсияи ARSR-и таҳқиқот бояд аз ҳам фарқ карда шаванд: меъмории benchmark/умумӣ routing-и K-Means-и бе нишонаро истифода мебарад, дар ҳоле ки deployment-и хатти воқеии васлкунӣ hard-switching-и ба ҳудудҳои RPM асосёфтаро истифода мекунад.

CSWE Чӣ Гуна Мекӯшад Нуқсонҳои Нодири Муҳаррикро Ошкор Кунад?

Class-Specific Weighted Ensemble (CSWE) ба ҷойи додани як вазни глобалӣ ба ҳар таснифгар барои ҳамаи синфҳои нуқсон, иҷрои F1-и валидациявии моделҳоеро чун SVM, KNN, Gaussian Naive Bayes ва Bagging дар ҳар синфи нуқсон ҳамчун вазни алоҳидаи салоҳият истифода мебарад; бо ин роҳ ҳадаф дорад нуқсонҳои камёбро аз бартарии синфи аксарият муҳофизат кунад.

Матритсаи салоҳияти махсуси синф

Барои \(m\) таснифгар ва \(n\) синфи ҳадафии нуқсон матритсаи салоҳият:

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

муайян карда мешавад.

Дар манбаъ ҳар вазн аз рӯйи F1-и валидациявии махсуси синф чунин дода шудааст:

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

Дар ин ҷо \(P_{j,k}\) Precision-и таснифгари \(j\) барои синфи \(k\), ва \(R_{j,k}\) Recall-и он мебошад. Дар формулаи манбаъ \(\epsilon\) ҳамчун узви иловагии устувории ададӣ нишон дода шудааст.

Дар марҳилаи қарори онлайн баромадҳои дуии моделҳои асосӣ матритсаи \(V\in\{0,1\}^{m\times n}\)-ро месозанд. Холи умумии ҳар синф:

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

ҳисоб карда мешавад.

Синфи ниҳоӣ:

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

муайян мешавад. Ҳамин тавр, як таснифгари асосӣ метавонад барои як навъи нуқсон вазни баланди қарор ва барои навъи дигар вазни паст дошта бошад.

Чаро метрикаҳои арзёбӣ ба Recall такя мекунанд?

Дар назорати сифати муҳаррик False Negative, яъне муҳаррики воқеан нуқсондорро солим қабул кардан, метавонад нисбат ба санҷиши дуборае, ки аз False Positive ба миён меояд, хароҷоти бештар дошта бошад. Аз ин рӯ, таҳқиқот ба ҷойи Accuracy-и умумӣ махсусан Recall ва F1-ро таъкид мекунад.

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

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

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

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

Accuracy дар маҷмӯаи додаҳои номутаносиб метавонад гумроҳкунанда бошад. Вақте ки сатҳи нуқсон хеле паст аст, моделе, ки қариб ҳамаи муҳаррикҳоро “муқаррарӣ” тасниф мекунад, метавонад Accuracy-и баланд гирад, аммо нуқсонҳои муҳимро аз даст диҳад. Аз ин рӯ, Recall дар дарвозаи сифат нишондиҳандаи мустақимтари ошкорсозии нуқсон аст.

Усул ва Натиҷаҳои Таҳқиқот

Маҷмӯаи додаҳои саноатӣ

Додаҳои воқеии истеҳсолӣ аз модели муҳаррики JL478QEA-AJ дар хатти васлкунии H4-и як истеҳсолкунандаи пешбари автомобил гирифта шудаанд. Додаҳо тавассути Engine Test Data Management Database бо калиди асосии Engine ID муттаҳид шудаанд.

Барои пешгирӣ аз он ки намунаҳои аз ҳамон як муҳаррики физикӣ гирифташуда ҳамзамон ба омӯзиш ва тест дохил шаванд, ҷудокунии қатъӣ аз рӯйи рақами силсилавии муҳаррик истифода шудааст. Ин ҷузъиёти муҳим аст, зеро мавҷудияти қисмҳои сенсории сахт вобастаи як муҳаррик дар ҳар ду маҷмӯаи омӯзиш ва тест метавонад иҷроишро ба таври сунъӣ баланд кунад.

Маҷмӯаҳои додаҳои benchmark-и оммавӣ

Ҳадафи ин benchmark-ҳо тақлид кардани як татбиқ дар ҳар се маҷмӯаи додаҳо нест. Ҳар яке ҷузъи гуногуни низомро стресс-тест мекунад: номутаносибии синф, ғавғои баландандоза ё режимҳои пинҳонии кор.

Сахтафзор ва нармафзор

Вазифаҳои тасниф ва натиҷаҳои AI4I Tool Wear ҳамчун миёна ва инҳирофи стандартии 10 иҷрои мустақил гузориш шудаанд. Озмоишҳои гаронтарини силсилаи вақти NASA C-MAPSS аз рӯйи 5 иҷрои мустақил арзёбӣ шудаанд.

Натиҷаҳои тасниф: AI4I

SAE + CSWE баландтарин F1-ро додааст. XGBoost Recall-и баландтар ҳосил кардааст, аммо Precision-и пасттар маънои ҳушдорҳои бардурӯғи бештарро дорад. Аз ин рӯ, даъвои таҳқиқот “дар ҳама метрика беҳтарин” будан нест, балки таъмин кардани натиҷаи мутавозинтар байни ошкорсозии нуқсон ва ҳушдори бардурӯғ мебошад.

Натиҷаҳои тасниф: UCI SECOM

Натиҷаҳои SECOM махсусан хуб нишон медиҳанд, ки чаро Accuracy дар синфҳои номутаносиб худ ба худ кофӣ нест. Масалан, Accuracy-и SVM %91,66 аст, дар ҳоле ки Recall танҳо %6,67 мебошад. SAE + CSWE бо вуҷуди Accuracy-и пасттар қисми хеле бештари нуқсонҳоро ошкор карда, Recall-и %49,05 ба даст овардааст.

Метрикаҳои регрессия

Дар вазифаҳои регрессия се метрикаи асосӣ истифода шудааст:

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

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

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

MSE хатогиҳои калонро бо квадраткунӣ бештар ҷазо медиҳад. \(R^2\) сатҳи тағйирёбии тағйирёбандаи ҳадафро, ки модел шарҳ медиҳад, нишон медиҳад. MAPE хатои фоизии мустақил аз миқёс медиҳад; аммо вақте ки қимати ҳадаф ба сифр наздик мешавад, метавонад аз ҷиҳати математикӣ ноустувор гардад. Ин мушкили охирин дар таҳлили инҳирофи стандартии суръати гардиш дар фазаи Idle-и таҳқиқот бевосита мушоҳида шудааст.

Регрессияи AI4I Tool Wear

SAE + ARSR пасттарин MSE ва баландтарин \(R^2\)-ро ба даст овардааст, аммо аз рӯйи MAPE CNN ва Transformer қиматҳои тақрибан баробар ё каме пасттар додаанд. Аз ин рӯ, натиҷаро набояд ҳамчун бартарии мутлақ дар ҳамаи метрикаҳои истифодашуда тафсир кард.

Регрессияи NASA C-MAPSS FD002

ARSR дар FD002 пасттарин MSE ва баландтарин \(R^2\)-ро ҳосил кардааст. Аммо дар MAPE XGBoost ва Bagging қиматҳои пасттар додаанд. Ин натиҷа боз нишон медиҳад, ки иҷрои модел бояд вобаста ба метрикаи хатои истифодашуда арзёбӣ шавад.

Озмоишҳои аблятсионӣ дар бораи нақши SAE ва тақсимоти режимҳо чӣ нишон доданд?

Бартараф кардани ҷазои камёбӣ F1-и SECOM-ро аз %33,17 ба %23,94 коҳиш додааст. Истифодаи мустақими сенсорҳои хоми стандартшуда бо вуҷуди баланд кардани Accuracy, Recall-ро аз %49,05 ба %40,48 коҳиш додааст. Манбаъ инро бо он шарҳ медиҳад, ки ғавғои хоми баландандоза тамоюл ба синфи аксариятро ба вуҷуд меорад.

Дар NASA FD002 бартараф кардани тақсимоти режим MSE-ро аз 424,49 ба 474,45 баланд кардааст. Ин натиҷа дастгирӣ мекунад, ки маҷбур кардани шаш шароити гуногуни кор ба як функсияи глобалии регрессия хато эҷод мекунад ва стратегияи мутахассиси маҳаллӣ дар равандҳои бисёррежимӣ муфид аст.

Таснифи нуқсон дар хатти воқеии H4

Афзоиши мутлақи Recall 7,72 банди фоизӣ мебошад. Ин натиҷа дар манбаъ ҳамчун “%7,72 беҳбудӣ дар Recall-и ошкорсозии нуқсон” ҷамъбаст шудааст. Аммо қимати %76,92 аз сатҳи >%95, ки дар муҳокимаи худи таҳқиқот барои таъмини сифат идеалӣ ҳисоб мешавад, ба таври назаррас пасттар аст.

Пешгӯии пайвастаи кори муҳаррик дар хатти воқеӣ

Ҳадафи регрессия суръати гардиши муҳаррике нест, ки ронанда талаб мекунад. Ҷавоби функсионалии интизории муҳаррик дар зери протоколи бори собити стенди озмоишӣ пешгӯӣ мешавад. Модел барои суръати миёнаи гардиш ва инҳирофи стандартии суръати гардиш хатти асосии “рафтори муқаррарӣ” месозад. Инҳирофҳо аз ин хатти асосӣ ҳамчун нишондиҳандаҳои ёрирасоне истифода мешаванд, ки метавонанд ба мушкилоти нозуктар ба мисли аномалияи соиш ё мушкили калибровкаи ECU ишора кунанд.

Барои суръати миёнаи гардиши муҳаррик ARSR:

• дар фазаи Start-up Linear Regression,
• дар фазаи High-speed SVR,
• дар фазаи Idle SVR

интихоб карда, пайдарпаии мутахассисони L-S-S дар маҷмӯъ %2,276 MAPE додааст. Барои танҳо LR MAPE %2,646 ва барои танҳо SVR %2,350 гузориш шудааст.

Дар пешгӯии инҳирофи стандартии суръати гардиши муҳаррик бошад, таркиби мутахассисони SVR-GPR-Bagging истифода шуда, MAPE-и умумӣ %39,00 будааст. Ин қимат баланд менамояд; аммо хусусан дар фазаи Idle инҳирофи стандартии воқеӣ ба сифр хеле наздик аст ва аз ин рӯ махраҷи MAPE хеле хурд мешавад. Манбаъ қайд мекунад, ки хатогиҳои хурди мутлақ ба ин сабаб ба хатогиҳои азими фоизӣ табдил меёбанд.

Гузориш шудааст, ки хатои мутлақи пешгӯӣ дар фазаи Idle дар дохили таҳаммулпазирии саноатии ±10 RPM боқӣ мондааст. Аз ин рӯ, истифодаи MAPE ҳамчун нишондиҳандаи ягонаи кори физикӣ дар ин режим маҳдуд дониста шудааст.

Edge Deployment Дар Ин Таҳқиқот Воқеан Чӣ Қадар Тез ва Чӣ Қадар Муваффақ Аст?

Версияи edge, ки дар хатти воқеии васлкунии муҳаррики H4 истифода шудааст, бо таъхири миёнаи хулосабарории 80 ± 3 ms дар ҳудуди вақти Takt-и 100 ms кор карда, дар давраи пилотии семоҳа коҳиши %7,2 дар таносуби таъмир/коркарди дубораи муҳаррик гузориш шудааст; аммо азбаски манбаъ ин беҳбудии амалиётиро бо озмоиши ҳамзамони назоратшудаи сабабият ҷудо накардааст, қимати %7,2 бояд ҳамчун натиҷаи саҳроии мушоҳидашуда тафсир карда шавад.

Ду қарори асосии оптимизатсияи edge

Оптимизатсияи якум: Ба ҷойи K-Means routing-и онлайн режими муҳаррик бевосита бо ҳудудҳои RPM муайян карда шудааст. Ҳамин тавр ҳисобкунии таъйини кластер бартараф шудааст.

Оптимизатсияи дуюм: Бо истифодаи \(\gamma=0\) ба модели downstream танҳо хусусиятҳои ниҳонии фишурдашудаи SAE дода шудаанд. Интиқол ва ҳисоб кардани зиёда аз 10.000 хусусияти хом дар протсессори edge пешгирӣ шудааст.

Ин конфигуратсия дар дастгоҳҳои line-side edge-и асосёфта ба Intel Xeon E5-2680 v4 вақти миёнаи хулосабарории 80 ± 3 ms-ро таъмин кардааст. Таҳқиқот онро бо ҳудуди вақти Takt-и 100 ms муқоиса мекунад.

Натиҷаи истеҳсолии пилотии семоҳа

Муаллифон пас аз пилоти семоҳа коҳиши %7,2 дар таносуби таъмир/коркарди дубораи муҳаррикҳоро гузориш кардаанд. Ин аз он ҷиҳат муҳим аст, ки усул на танҳо дар маҷмӯаҳои benchmark, балки дар ҷараёни воқеии истеҳсолӣ низ кор карда шудааст.

Бо вуҷуди ин, дар манбаъ хатти назоратии алоҳида, муқоисаи тасодуфӣ ё тарҳи таъсири сабабӣ, ки тағйироти дигари раванди истеҳсолиро аз ҷиҳати оморӣ ҷудо кунад, гузориш нашудааст. Аз ин рӯ, %7,2 нишондиҳандаи мустақими кори давраи пилотии мушоҳидашуда аст; онро набояд ҳамчун таъсири дақиқи сабабие, ки танҳо алгоритм ба вуҷуд овардааст, васеъ кард.

Матритсаҳои иштибоҳ чӣ нишон медиҳанд?

Расми 12 дар саҳифаи 21-и манбаъ матритсаҳои ҷамъшудаи иштибоҳи 10 иҷрои мустақилро дар UCI SECOM нишон медиҳад. LightGBM 86, Bagging 76 ва XGBoost 95 нуқсони воқеиро ошкор кардаанд. XGBoost ҳамзамон 234 ҳушдори бардурӯғ тавлид кардааст. CSWE-и пешниҳодшуда бошад, ҳангоми ошкор кардани 103 нуқсони воқеӣ 231 False Positive тавлид кардааст.

Паёми асосии ин муқоиса танҳо зиёд кардани Recall аз ҷониби CSWE нест, балки талоши назорат кардани шумораи ҳушдорҳои бардурӯғ ҳангоми афзоиши Recall мебошад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Сохтори камёбии SAE ба таснифи нуқсон дар додаҳои сенсории баландандоза ва пурғавғо саҳми ченшаванда гузоштааст.
• Вазнгузории махсуси синф тавонистааст Recall ва F1-ро дар синфҳои нуқсони номутаносиб беҳтар кунад.
• Интихоби мутахассис вобаста ба режимҳои кор тавонистааст дар вазифаҳои регрессияи бисёррежимӣ нисбат ба як модели глобалӣ хатогиро кам кунад.
• Меъмории пешниҳодшуда дар таҷҳизоти edge-и асосёфта ба CPU дар хатти воқеии истеҳсоли муҳаррики H4 дар ҳудуди 100 ms кор кардааст.
• Дар пилоти семоҳаи истеҳсоли воқеӣ коҳиши %7,2 дар таносуби таъмир/коркарди дубора гузориш шудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Низом ҳамаи нуқсонҳои муҳаррикро ошкор намекунад; Recall-и саноатӣ %76,92 аст.
• Натиҷаҳоро ба ҳамаи истеҳсолкунандагони автомобил, ҳамаи оилаҳои муҳаррик ва ҳамаи хатҳои васлкунӣ ба таври худкор умумӣ кардан мумкин нест.
• Беҳбудии истеҳсолии %7,2 андозаи таъсири сабабии назоратшуда нест.
• Низоми ҳозираи сенсории ҷадвалии якмодалӣ ҳамаи аномалияҳои микроскопии сохториро мушоҳида карда наметавонад.
• Модел дар шакли ҳозира омӯзиши пайвастаи онлайн ё мутобиқшавии автоматии concept-drift надорад.
• Қиматҳои баланди MAPE дар фазаи Idle худ ба худ маънои кори физикии бадро надоранд; қимати ҳадаф, ки ба сифр наздик мешавад, MAPE-ро аз ҷиҳати математикӣ калон мекунад.

Маҳдудиятҳо ва самтҳои кори оянда

Маҳдудияти додаҳои якмодалӣ: Таҳқиқот асосан ба ченакҳои раванд/сенсории ҷадвалӣ ба мисли момент, фишор ва монанди инҳо такя мекунад. Муаллифон қайд мекунанд, ки барои ошкорсозии баландтари нуқсон метавонад модалиятҳои иловагӣ ба мисли сенсорҳои Acoustic Emission ва назорати визуалии вақти воқеӣ зарур бошанд.

Арзёбии номуайянӣ: Азбаски махсусан барои ҳадафҳои наздик ба сифр пешгӯии нуқтавӣ ва MAPE маҳдуданд, дар оянда усулҳои эҳтимолӣ ба мисли Bayesian Neural Networks ва арзёбии фосилаҳои эътимод пешниҳод мешаванд.

Concept drift: Модел бо додаҳои омӯзишии статикии дар давраи муайяни устуворшавии истеҳсол ҷамъшуда кор мекунад. Ҳангоми тағйир ёфтани фарсудашавии асбоб, ҳарорати муҳит ё партияи маводи таъминкунанда, тақсимоти додаҳо метавонад бо мурури вақт тағйир ёбад. Дар версияи ҳозира механизми омӯзиши пайвастаи онлайн вуҷуд надорад.

Умумиятпазирӣ: Дар моделҳои гуногуни муҳаррик ва хатҳои гуногуни васлкунӣ валидацияи алоҳида лозим аст. Таҳқиқоти манбаъ эътироф мекунад, ки муваффақияти саноатии бадастомада дар як хатти физикӣ маънои иҷрои универсалии истеҳсолиро надорад.

Ёддошт оид ба Манбаъ ва Усул

Таҳқиқоти аслӣ: Predicting Car-Engine Manufacturing Quality with Multi-Sensor Data of Manufacturing Assembly Process

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

Муаллифи масъул: Li Liu.

Муассисаҳо: 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.

Маҷалла: Sensors.

Ношир: MDPI.

Сабти библиографӣ: Sensors 2026, 26(5), 1651.

DOI: 10.3390/s26051651

Навъи манбаъ: Мақолаи таҳқиқотии аз баррасии ҳамтоён гузашта.

Бахши мақола: Industrial Sensors.

Қабулшуда: 29 Январ 2026.

Таҳрир: 21 Феврал 2026.

Пазируфта: 27 Феврал 2026.

Нашр: 5 Март 2026.

Иҷозатнома: Creative Commons Attribution (CC BY).

Низоми саноатӣ: хатти васлкунии муҳаррики H4; модели муҳаррики JL478QEA-AJ.

Маҷмӯаҳои додаҳои оммавии валидация: AI4I 2020 Predictive Maintenance Dataset; UCI SECOM; NASA C-MAPSS FD002.

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

Таҳқиқоти инсон/ҳайвон: Гуфта шудааст, ки таҳқиқот тадқиқотеро бо иштироки одамон ё ҳайвонот дар бар намегирад.

Дастрасии додаҳо: Гуфта шудааст, ки додаҳои дастгирикунандаи натиҷаҳоро бо дархости асоснок аз муаллифи масъул Li Liu гирифтан мумкин аст.

Бархӯрди манфиатҳо: Муаллифон изҳор кардаанд, ки бархӯрди манфиатҳо вуҷуд надорад.

Саҳми муаллифон: Xinyu Yang, Li Liu ва Qing Tao — консептуализатсия; Xinyu Yang ва Li Liu — усул; Xinyu Yang, Qianxi Zhang, Junjie Bao ва Nengchao Wu — нармафзор; Qianxi Zhang, Xue Wang ва Nengchao Wu — валидация; Xinyu Yang ва Qianxi Zhang — таҳлили формалӣ; Xinyu Yang, Junjie Bao ва Xue Wang — таҳқиқот; Li Liu ва Haijia Wu — захираҳо; Xinyu Yang, Qianxi Zhang ва Nengchao Wu — куратсияи додаҳо; Xinyu Yang — тарҳи аввал; Li Liu, Qing Tao ва Haijia Wu — бозбинӣ/таҳрир; Xinyu Yang ва Qianxi Zhang — визуализатсия; Li Liu ва Qing Tao — назорат; Li Liu ва Haijia Wu — идоракунии лоиҳа ва маблағгузорӣ.

Ҳудуди асосии тафсир: Гарчанде валидацияи саноатӣ дар хатти воқеии истеҳсолӣ анҷом шудааст, он дар заминаи як модели муҳаррик ва як хатти муайяни васлкунӣ мебошад. Recall бо %76,92 аз ҳадафи идеалии QA-и >%95, ки муаллифон зикр мекунанд, пасттар аст. Низоми ҳозира танҳо ба як модалияти сенсории ҷадвалӣ такя мекунад, мутобиқшавии онлайни concept-drift-ро дар бар намегирад ва саҳми сабабии махсуси алгоритм дар беҳбудии саҳроии семоҳаи %7,2 бо таҳқиқоти алоҳидаи назоратшуда ҷудо карда нашудааст.