Дуруст пешгӯӣ кардани вақти вайрон шудани мошин метавонад барои нигоҳдории пешгӯишаванда ба танҳоӣ кофӣ набошад. Барои он ки гурӯҳи нигоҳдорӣ тавонад таъмини қисмҳои эҳтиётӣ, банақшагирии кормандон, таваққуфи истеҳсол ё омодагии дахолатро анҷом диҳад, пешгӯӣ бояд ҳамзамон ба қадри кофӣ барвақт расад. Ин таҳқиқот пешниҳод мекунад, ки моделҳои Remaining Useful Life (RUL; умри боқимондаи муфид) на танҳо бо қиматҳои умумии хато ё дақиқӣ, балки бо вақти боқимонда то вайроншавӣ, яъне уфуқи пешгӯӣ ва оқибати амалиётии пешгӯии нодуруст якҷо арзёбӣ шаванд.
Дар таҳқиқот панҷ равиши пешгӯӣ — ARIMA, Facebook Prophet, LSTM, GRU ва PatchTST — дар ду маҷмӯаи кушодаи додаҳои ларзиш муқоиса шудаанд. Гуфта мешавад, ки барои фишурдани додаҳои хоми ларзиш ва истихроҷи хусусиятҳо пеш аз ҳамаи моделҳо autoencoder истифода шудааст. Иҷрои пешгӯӣ дар се уфуқ — дароз, миёна ва кӯтоҳ — арзёбӣ шудааст. Дар маҷмӯаи якуми додаҳо инҳо бо тақсимоти 20 рӯзи омӯзиш + 30 рӯзи пешгӯӣ, 40 + 10 ва 47 + 3 рӯз анҷом дода шудаанд.
Натиҷаҳо нишон медиҳанд, ки кадом модел “беҳтарин” аст, вобаста ба уфуқи пешгӯӣ тағйир меёбад. Дар Dataset 1 дар уфуқи дароз Prophet бо %72,67 баландтарин дақиқии ҳосилшударо додааст, дар уфуқи кӯтоҳ бошад ARIMA ба %90,63 расидааст. Дар Dataset 2 дар уфуқи дароз Prophet %86,62, дар уфуқи миёна мувофиқи Ҷадвали 8 ARIMA %82,04 ва дар уфуқи кӯтоҳ боз ARIMA %98,25 баландтарин қиматро додааст. Баръакс, PatchTST махсусан дар уфуқи миёнаи Dataset 1 бо %18,13 ва уфуқи кӯтоҳи Dataset 2 бо %30,29 натиҷаҳои заиф нишон додааст.
“Accuracy” дар ин рақамҳо дақиқии классикии таснифот нест. Дар таҳқиқот он ба шакли \(Accuracy = 100 - MAPE\) муайян шудааст. Ин фарқият муҳим аст; зеро дар уфуқи кӯтоҳи Dataset 1 дақиқии ҳосилшудаи ARIMA %90,63 аст, вале қимати R² −0,5988 мебошад. Ба ибораи дигар, гарчанде хатои миёнаи бузургии пешгӯиҳо нисбатан паст менамояд, модел тағйироти каҷи воқеии деградатсияро ба қадри кофӣ шарҳ дода наметавонад.
Муҳимтарин маҳдудияти методологии таҳқиқот ин аст, ки ҳангоми кӯтоҳ шудани уфуқи пешгӯӣ ҳаҷми додаҳои омӯзишӣ низ ҳамзамон зиёд мешавад. Дар таҷрибаи уфуқи дароз 20 рӯзи додаҳои омӯзишӣ ва дар уфуқи кӯтоҳ 47 рӯзи додаҳои омӯзишӣ истифода мешаванд. Аз ин рӯ, бо тарҳи таҷриба ҷудо кардан мумкин нест, ки тағйири иҷро байни уфуқҳо то чӣ андоза аз кӯтоҳтар шудани давраи пешгӯӣ ва то чӣ андоза аз зиёд шудани додаҳои омӯзишӣ бармеояд. Натиҷаҳо набояд ҳамчун қонуни универсалии моделӣ ба шакли “пешгӯиҳои кӯтоҳ дар ҳама ҳолат дақиқтаранд” тафсир шаванд.
| Натиҷаи асосӣ | Натиҷаи манбаъ | Тафсири илмӣ |
|---|---|---|
| Диапазони дақиқии уфуқи дароз | %11,64–86,62 | Пешгӯии барвақт вақти бештари банақшагирӣ медиҳад, аммо натиҷаҳо ба модел ва маҷмӯаи додаҳо сахт вобастаанд. |
| Диапазони дақиқии уфуқи миёна | %18,13–82,04 | Иҷро хеле тағйирёбанда аст. |
| Диапазони дақиқии уфуқи кӯтоҳ | %30,29–98,25 | Умуман баландтар аст, вале вақти боқимонда барои дахолат камтар. |
| Пешсафи уфуқи дарози Dataset 1 | Prophet: %72,67 | Аз нигоҳи банақшагирии барвақт аз ҷониби манбаъ таъкид шудааст. |
| Пешсафи уфуқи кӯтоҳи Dataset 1 | ARIMA: %90,63 | Бо вуҷуди дақиқии ҳосилшудаи баланд, R² манфӣ аст. |
| Пешсафи уфуқи кӯтоҳи Dataset 2 | ARIMA: %98,25 | Натиҷаи уфуқи серӯза дар ин маҷмӯаи додаҳо. |
Чаро RUL дар қарорҳои нигоҳдорӣ муҳим аст?
Remaining Useful Life кӯшиш мекунад вақти истифодашавандаи боқимондаро аз ҳолати кунунии таҷҳизот то нуқтаи вайроншавии функсионалӣ пешгӯӣ кунад. Ҳадаф танҳо муайян кардани наздикшавии вайроншавӣ нест, балки арзёбии равзанаи вақтест, ки барои дахолат истифода мешавад.
Аз ин рӯ, даъвои асосии таҳқиқот хеле амалӣ аст: пешгӯии дуруст се рӯз пеш аз вайроншавӣ метавонад аз ҷиҳати рақамӣ муваффақ намояд, аммо барои баъзе корҳои нигоҳдорӣ хеле дер бошад. Пешгӯии каме хато, вале истифодашаванда сӣ рӯз пеш метавонад аз ҷиҳати қисмҳои эҳтиётӣ, гурӯҳ, нақшаи истеҳсол ва вақти нигоҳдорӣ арзишмандтар бошад.
Фарқи нигоҳдории бар асоси хавф ва нигоҳдории огоҳ аз хавф чист?
Шакли 2-и мақола ду мафҳумро дар марҳилаҳои гуногуни давраи ҳаёт ҷой медиҳад. Нигоҳдории пешгӯишаванда бар асоси хавф ба саволи он ки дар марҳилаи лоиҳа кадом техникаи пешгӯӣ интихоб шавад, тамаркуз мекунад. Нигоҳдории пешгӯишавандаи огоҳ аз хавф бошад ҳангоми дар ҳолати кор будани система, пас аз омадани пешгӯӣ, ба масъалаи кай анҷом додани нигоҳдорӣ дахл дорад.
Тамаркузи ин таҳқиқот ба масъалаи аввал, яъне чӣ гуна бояд модели пешгӯӣ пеш аз ворид шудан ба система арзёбӣ шавад, равона шудааст. Пешниҳод мешавад, ки интихоби модел на танҳо ба қимати миёнаи хато, балки ба иҷрои он дар уфуқҳои гуногуни пешгӯӣ ва оқибати қарори нодуруст асос ёбад.
Чаро уфуқи пешгӯӣ андозаи ҷудогонаи иҷро аст?
Шакли 3-и мақола ба таври консептуалӣ нишон медиҳад, ки дақиқии баланди кӯтоҳмуддат худкор беҳтарин модели амалиро намедиҳад. Дақиқӣ дар як меҳвар ва сатҳи вақт/оқибат дар меҳвари дигар баррасӣ мешавад. Ҳамин тавр, комбинатсияи дақиқии паст–шиддати баланди оқибат ҳамчун минтақаи хатарноктарин тафсир мешавад.
Таҳқиқот хатои пешгӯиро 30 рӯз пеш бо сатҳи пасти оқибат, 10 рӯз пеш бо сатҳи миёна ва 3 рӯз пеш бо сатҳи баланди оқибат мувофиқ мекунад. Ин сатҳҳо стандарти универсалӣ нестанд; муаллифон онҳоро ҳамчун фарзияҳои амалӣ барои идоракунии дороиҳои хоҷагии бодӣ истифода мебаранд.
Кадом оилаҳои модели RUL муҳокима мешаванд?
Дарахти Шакли 1-и мақола моделҳои пешгӯии RUL-ро ба гурӯҳҳои васеи усулҳои оморӣ/эътимоднокӣ, омӯзиши мошинӣ, омӯзиши амиқ ва физикаасос ҷудо мекунад. Илова бар ин, моделҳои гибридӣ, ки ҷузъҳои ин гурӯҳҳоро муттаҳид мекунанд, ҳамчун қабати ҷудогона нишон дода мешаванд.
Дар муқоисаи таҷрибавӣ панҷ усул истифода шудааст: ARIMA, Facebook Prophet, LSTM, GRU ва равиши бар Transformer асосёфта, ки дар ҷадвали гиперпараметрҳои манбаъ “PatchTST-inspired” номида шудааст. Дар бахшҳои натиҷаҳо модели охирин кӯтоҳ “PatchTST” номида мешавад; аз ин рӯ, таҳқиқот тасдиқ намекунад, ки ҳамаи ҷузъиёти татбиқи стандартии PatchTST айнан истифода шудаанд.
Ду маҷмӯаи додаҳо чиро ифода мекунанд?
Dataset 1 додаҳои ларзиши подшипники меҳвари баландсуръати турбинаи бодии 2 MW дар шароити воқеии кор мебошанд. Мақола додаҳои акселерометри радиалии бар MEMS асосёфтаро истифода мекунад, ки деградатсияи прогрессивии 50-рӯзаи подшипникро пайгирӣ мекунанд. Суръати номиналии гардиш 1800 rpm, басомади баланди намунагирӣ 97.656 Hz ва давомнокии сабт 6 сония гуфта мешавад.
Dataset 2 ба таҷрибаҳои run-to-failure-и подшипник, ки аз ҷониби University of Cincinnati Intelligent Maintenance Systems Centre таҳия шудаанд, асос меёбад. Шакли 5-и мақола сохтори равшантарини деградатсияро нишон медиҳад, ки ҳангоми наздикшавӣ ба охири умр амплитудаи ларзиш ба таври намоён меафзояд. Муаллифон пешниҳод мекунанд, ки Dataset 2 нисбат ба Dataset 1 метавонад аломати деградатсияи бештар омӯзишпазир дошта бошад.
Дар нишон додани манбаъҳои додаҳо дар дохили манбаъ номуайянии библиографӣ вуҷуд дорад. Dataset 1 дар матни усул ҳамчун дастрас тавассути GitHub тавсиф мешавад, аммо сабти адабиёти марбут ба MathWorks меравад. Барои Dataset 2 бахшҳои усул ва дастрасии додаҳо NASA Prognostics Data Repository-ро нишон медиҳанд, дар ҳоле ки сабти адабиёти рақами [47] суроғаи Kaggle аст. Ин ҳолат худ аз худ натиҷаҳоро беэътибор намекунад; аммо барои такрористеҳсоли мустақил бояд repository-и аслӣ ва версияи додаҳои истифодашуда равшантар ҳуҷҷатгузорӣ шавад.
Уфуқҳои пешгӯӣ чӣ гуна сохта шуданд?
| Уфуқ | Қисми омӯзиш | Қисми тест / пешгӯӣ | Фарзияи оқибати манбаъ |
|---|---|---|---|
| Дароз | 20 рӯз | 30 рӯз | Марҳилаи барвақт; вақти бештари банақшагирии нигоҳдорӣ |
| Миёна | 40 рӯз | 10 рӯз | Марҳилае, ки вайроншавӣ пеш рафта ва вақти дахолат танг шудааст |
| Кӯтоҳ | 47 рӯз | 3 рӯз | Наздик ба вайроншавии критикӣ, марҳилае, ки шиддати оқибат баланд қабул мешавад |
Натиҷаи муҳими ин тарҳ он аст, ки ду тағйирёбандаи таҷрибавӣ якҷо ҳаракат мекунанд. Ҳангоми аз 30 рӯз ба 3 рӯз кам шудани уфуқи пешгӯӣ, додаҳои омӯзишӣ аз 20 рӯз ба 47 рӯз зиёд мешаванд. Аз ин рӯ, наметавон гуфт, ки беҳбуди иҷро дар уфуқи кӯтоҳ танҳо аз осонтар шудани пешгӯии ояндаи наздик бармеояд; дидани таърихи бештари деградатсия аз ҷониби модел низ метавонад ба натиҷаҳо таъсир кунад.
Рейтинги моделҳо дар Dataset 1 чӣ гуна тағйир ёфт?
Verianla Live: Тағйири дақиқии модел дар Dataset 1 вобаста ба уфуқи пешгӯӣ
Қиматҳо аз Ҷадвали 2-и манбаъ гирифта шудаанд. “Дақиқӣ” дар таҳқиқот ҳамчун 100 − MAPE ҳисоб мешавад; дақиқии классикии таснифот нест. Бо тағйири уфуқ ҳаҷми додаҳои омӯзишӣ низ тағйир меёбад.
| Модел | Уфуқи дароз (%) | Уфуқи миёна (%) | Уфуқи кӯтоҳ (%) | Манбаъ |
|---|---|---|---|---|
| ARIMA | 11,64 | 56,56 | 90,63 | Ҷадвали 2 |
| Prophet | 72,67 | 66,12 | 89,81 | Ҷадвали 2 |
| LSTM | 34,46 | 59,04 | 79,72 | Ҷадвали 2 |
| GRU | 33,77 | 54,77 | 90,39 | Ҷадвали 2 |
| PatchTST | 33,99 | 18,13 | 67,64 | Ҷадвали 2 |
Дар Dataset 1 Prophet дар уфуқҳои дароз ва миёна баландтарин қиматро медиҳад, ARIMA бошад дар уфуқи кӯтоҳ пеш меравад. Аз %11,64 ба %90,63 расидани ARIMA равшан нишон медиҳад, ки рейтинги модел то чӣ андоза ба равзанаи арзёбӣ вобаста буда метавонад.
Оё Dataset 2 ҳамон рейтингро дод?
Не. Дар маҷмӯаи дуюми додаҳо иҷрои умумии аксари моделҳо баланд шуда ва баъзе рейтингҳо тағйир ёфтаанд. Ин яке аз натиҷаҳои асосиест, ки тезиси таҳқиқотро дастгирӣ мекунад: “профили хавфи модел танҳо хусусияти алгоритм нест; ба сохтори деградатсияи маҷмӯаи додаҳо низ вобаста аст”.
Verianla Live: Тағйири дақиқии модел дар Dataset 2 вобаста ба уфуқи пешгӯӣ
Қиматҳо аз Ҷадвали 8-и манбаъ гирифта шудаанд. Ҷадвал барои уфуқи миёна ARIMA %82,04 ва Prophet %81,03 медиҳад. Дар тавсифи манбаъ навишта шудааст, ки Prophet дар уфуқи миёнаи Dataset 2 ҳам беҳтарин аст, ки бо ҷадвал мувофиқат намекунад.
| Модел | Уфуқи дароз (%) | Уфуқи миёна (%) | Уфуқи кӯтоҳ (%) | Манбаъ |
|---|---|---|---|---|
| ARIMA | 77,35 | 82,04 | 98,25 | Ҷадвали 8 |
| GRU | 76,56 | 73,21 | 95,18 | Ҷадвали 8 |
| LSTM | 84,86 | 70,72 | 95,14 | Ҷадвали 8 |
| PatchTST | 46,12 | 33,79 | 30,29 | Ҷадвали 8 |
| Prophet | 86,62 | 81,03 | 96,76 | Ҷадвали 8 |
Дар уфуқи дарози Dataset 2 Prophet бо %86,62 баландтарин натиҷаро медиҳад. Дар уфуқи миёна баландтарин қимати Ҷадвали 8 ARIMA %82,04 аст; Prophet %81,03 мебошад. Дар уфуқи кӯтоҳ ARIMA ба %98,25 мерасад. PatchTST бошад бар хилофи дигар моделҳо дар уфуқи кӯтоҳ беҳтар нашуда, ба %30,29 поён рафтааст.
Аз назари Туркия чӣ гуна тафсир мешавад?
Таҳқиқот дар Туркия валидасияи саҳроӣ анҷом надодааст. Бо вуҷуди ин, масъалаи қароре, ки барои корхонаҳои истифодабарандаи нигоҳдории пешгӯишаванда дар турбинаҳои бодӣ, хатҳои истеҳсол, мошинҳои гардишкунанда, подшипникҳо ва дигар таҷҳизоти критикӣ мегузорад, аз назари муҳандисӣ барои Туркия низ маънодор аст: ба ҷойи танҳо интихоби “модели дорои хатои камтарин”, бояд уфуқи пешгӯие муайян шавад, ки бо вақти воқеии таъмини қисмҳои эҳтиётӣ, мобилизатсияи гурӯҳи нигоҳдорӣ, талаботи таваққуфи нақшавӣ ва оқибати бехатарӣ/истеҳсолии вайроншавӣ мувофиқ бошад.
Аммо ҳадҳои 30, 10 ва 3-рӯзаи таҳқиқот қиматҳои стандартӣ барои ҳамаи дороиҳои саноатии Туркия нестанд. Худи манбаъ низ мегӯяд, ки ин давраҳо бояд вобаста ба таҷҳизот, механизми деградатсия ва муҳити амалиёт мутобиқ карда шаванд.
Таҳқиқот чиро дастгирӣ мекунад ва чиро исбот намекунад?
| Натиҷае, ки таҳқиқот дастгирӣ мекунад | Натиҷае, ки таҳқиқот исбот / санҷиш накардааст |
|---|---|
| Иҷрои модел вобаста ба уфуқи пешгӯӣ ва маҷмӯаи додаҳо метавонад хеле тағйир ёбад. | Исбот нашудааст, ки як алгоритм барои ҳамаи дороиҳои саноатӣ умуман беҳтарин модели RUL аст. |
| Дақиқии баланди рақамии уфуқи кӯтоҳ метавонад барои банақшагирии нигоҳдорӣ огоҳии барвақти кофӣ надиҳад. | Нишон дода нашудааст, ки беҳбуди иҷро дар уфуқи кӯтоҳ танҳо аз дарозии уфуқ бармеояд; ҳаҷми додаҳои омӯзишӣ низ тағйир меёбад. |
| Як метрикаи хато метавонад каҷи воқеии деградатсияро ба қадри кофӣ намояндагӣ накунад. | Нишон дода нашудааст, ки Shape-RMSE ё PHEP стандартҳои универсалии тасдиқшуда барои ҳамаи барномаҳои RUL мебошанд. |
| Prophet дар ду маҷмӯаи додаҳо дар уфуқи дароз иҷрои нисбатан устувор нишон дод. | Нишон дода нашудааст, ки Prophet дар ҳамаи маҷмӯаҳои додаҳо ё намудҳои дороӣ усули камхавфтарин мешавад. |
| ARIMA дар ду маҷмӯаи додаҳо дар уфуқи кӯтоҳ баландтарин дақиқии ҳосилшударо дод. | Ин натиҷа нишон намедиҳад, ки ARIMA шакли воқеии деградатсияро беҳтарин омӯхтааст; дар Dataset 1 R²-и уфуқи кӯтоҳ манфӣ аст. |
| Истифодаи ду маҷмӯаи додаҳо нисбат ба арзёбии як маҷмӯа маълумоти бештар дар бораи умумисозӣ дод. | Натиҷаҳо ба дигар подшипникҳо, қуттиҳои фишанг, насосҳо, муҳаррикҳо ё шароити гуногуни кор худкор умумӣ намешаванд. |
Усул ва Натиҷаҳои Таҳқиқот
Додаҳо пеш аз моделҳо чӣ гуна коркард шуданд?
Манбаъ мегӯяд, ки ба ҷойи додани сигналҳои ларзиши баландандоза ва пурғавғо бевосита ба моделҳои пешгӯӣ, autoencoder истифода шудааст. Autoencoder барои фишурдани додаҳо ва истихроҷи хусусиятҳо татбиқ шуда, намояндагии ҳосилшуда баъдан ба панҷ равиши пешгӯӣ дода шудааст.
Бо вуҷуди ин, меъмории қабатҳои autoencoder, андозаи latent ва ҳамаи ҷузъиёти омӯзиши он дар ҷадвали асосии гиперпараметрҳо дода нашудаанд. Ин ҳолат махсусан барои муҳаққиқоне, ки мехоҳанд натиҷаҳои таҳқиқотро айнан такрор кунанд, камбудии методологӣ мебошад.
Танзимоти асосии моделҳо
| Модел | Танзимоти интихобшудаи дар манбаъ гузоришшуда | Нуқтаи диққат |
|---|---|---|
| LSTM | Дарозии пайдарпайӣ 2; 16 воҳиди LSTM; dropout 0,1; dense 16; 300 epoch; batch 4 ё 2 | Дар ҷадвал ҷудо карда нашудааст, ки қимати batch-и “4 ё 2” дар кадом шарт истифода шудааст. |
| GRU | Дарозии пайдарпайӣ 2; 16 воҳиди GRU; dropout 0,1; dense 16; 300 epoch; batch 4 ё 2 | Барои модели амиқ додаҳо хеле маҳдуданд. |
| ARIMA | p: 0–3; d: 0–2; q: 0–3; тартиби беҳтарин бар асоси AIC | Равиши оморӣ |
| Prophet | Мавсимияти рӯзона/солона хомӯш; ҳафтаина фаъол; changepoint prior 0,05; seasonality prior 10; Fourier order 3 | Манбаъ истилоҳи “Facebook Prophet”-ро истифода мебарад. |
| PatchTST-inspired | Дарозии пайдарпайӣ 2; attention head 2; key dimension 4; feed-forward 16; dense 16; 300 epoch | Ном дар ҷадвали гиперпараметр “PatchTST-inspired”, дар ҷадвалҳои натиҷа “PatchTST” аст. |
“Accuracy” чӣ гуна ҳисоб шудааст?
Яке аз меъёрҳои асосии хатои таҳқиқот Mean Absolute Error (MAE):
\[ MAE=\frac{1}{n}\sum_{i=1}^{n}|\hat{y}_i-y_i| \]
Root Mean Square Error (RMSE):
\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(\hat{y}_i-y_i)^2} \]
ва Mean Absolute Percentage Error (MAPE):
\[ MAPE=\frac{100}{n}\sum_{i=1}^{n}\left|\frac{\hat{y}_i-y_i}{y_i}\right| \]
ба ҳамин шакл дода шудаанд. Қимати “accuracy” дар таҳқиқот бошад мустақиман:
\[ Accuracy=100\%-MAPE(\%) \]
муайян шудааст. Аз ин рӯ, ибораи %90 дақиқӣ маънои “фоизи пешгӯиҳои дуруст”-ро, ки дар таснифот истифода мешавад, надорад. Худи манбаъ низ махсусан ҳангоми MAPE-и баланд ва дар ҳолатҳое, ки таҳаммулҳои соҳавӣ критикӣ мебошанд, истифодаи эҳтиёткоронаи ин таърифро тавсия мекунад.
Чаро R² ҳикояи дигар мегӯяд?
Coefficient of determination:
\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} {\sum_{i=1}^{n}(y_i-\bar{y})^2} \]
бо ин формула ҳисоб мешавад. Манфӣ будани R² нишон медиҳад, ки модел метавонад дар шарҳи variance-и силсилаи воқеӣ ҳатто аз танҳо пешгӯии қимати миёнаи RUL ҳам бадтар бошад.
| Модел | MAE | RMSE | R² | MAPE (%) | Дақиқии ҳосилшуда (%) |
|---|---|---|---|---|---|
| ARIMA | 0,0252 | 0,0313 | −0,5988 | 9,3651 | 90,63 |
| Prophet | 0,0292 | 0,0294 | −0,4160 | 10,1910 | 89,81 |
| LSTM | 0,0558 | 0,0612 | −5,1204 | 20,2753 | 79,72 |
| GRU | 0,0275 | 0,0279 | −0,2698 | 9,6050 | 90,39 |
| PatchTST | 0,0905 | 0,0935 | −13,2818 | 32,3619 | 67,64 |
Ҷолибтарин хусусияти Ҷадвали 3 ин аст, ки дар уфуқи кӯтоҳ R²-и ҳамаи панҷ модел манфӣ аст. Пас, дақиқии баланди бар MAPE асосёфта ва қобилияти шарҳ додани динамикаи каҷи воқеии деградатсия як чиз нестанд. Каҷи ARIMA дар Шакли 8-и мақола низ ин мушкилро ба таври визуалӣ нишон медиҳад.
Shape-RMSE чиро чен кардан мехоҳад?
Таҳқиқот барои чен кардани он ки шакли каҷи пешгӯӣ то чӣ андоза ба каҷи воқеии деградатсия монанд аст, ба ҷойи бузургии мутлақ Shape-RMSE-и нормализатсияшударо пешниҳод мекунад:
\[ Shape\text{-}RMSE= \sqrt{\frac{1}{N} \sum_{t=1}^{N} (\hat{y}^{norm}_t-y^{norm}_t)^2} \]
Силсилаҳо аз рӯи minimum ва maximum-и худ normalise мешаванд:
\[ y^{norm}_t= \frac{y_t-\min(y)} {\max(y)-\min(y)} \]
Shape-RMSE-и пасттар беҳтар ҳисоб мешавад.
| Модел | Уфуқи дароз | Уфуқи миёна | Уфуқи кӯтоҳ |
|---|---|---|---|
| ARIMA | 0,3846 | 0,7464 | 0,5636 |
| GRU | 0,5307 | 0,5147 | 0,1024 |
| LSTM | 0,5323 | 0,4746 | 0,5999 |
| PatchTST | 0,5959 | 0,3228 | 0,0540 |
| Prophet | 0,1015 | 0,1734 | 0,0681 |
Prophet дар уфуқҳои дароз ва миёна пасттарин Shape-RMSE-ро медиҳад. Дар уфуқи кӯтоҳ аз ҷиҳати рақамӣ PatchTST бо 0,0540 пасттарин қиматро дорад. Бо вуҷуди ин, муаллифони манбаъ дар баррасии визуалӣ мегӯянд, ки Prophet роҳи воқеии деградатсияро беҳтар пайгирӣ мекунад. Аз ин рӯ, худи мақола қабул мекунад, ки дар равзанаҳои хеле кӯтоҳ Shape-RMSE ба танҳоӣ метавонад вафодории шаклро пурра ифода накунад. Ин як санҷиши муҳими дохилист, ки нишон медиҳад меъёри нави пешниҳодшуда ҳанӯз худ аз худ меъёри қарор нест.
Ҳангоми тағйири равзанаи омӯзиш моделҳо то чӣ андоза устуворанд?
Таҳқиқот бо тағйири ±3-рӯза дар атрофи дарозии интихобшудаи омӯзиш диапазонҳои MAPE-ро муқоиса кардааст. Хусусан дар равзанаи омӯзиши 42–48-рӯза дар атрофи уфуқи кӯтоҳ, диапазони MAPE-и Prophet %7,75–14,46 буда яке аз тангтарин ва пасттарин диапазонҳост. ARIMA дар ҳамон минтақа байни %8,35–45,12 хеле бештар тағйир меёбад.
| Модел | MAPE дар атрофи уфуқи дароз (%) | MAPE дар атрофи уфуқи миёна (%) | MAPE дар атрофи уфуқи кӯтоҳ (%) |
|---|---|---|---|
| ARIMA | 95,15–110,82 | 15,21–93,18 | 8,35–45,12 |
| Prophet | 43,83–76,72 | 10,08–38,57 | 7,75–14,46 |
| LSTM | 91,98–101,41 | 36,60–90,98 | 20,99–48,31 |
| GRU | 93,16–100,39 | 42,70–91,17 | 25,80–55,45 |
| PatchTST | 79,90–104,66 | 55,76–117,48 | 32,36–65,27 |
Boxplot-и Шакли 10 Prophet-ро нисбат ба тағйироти хурди равзанаи омӯзиш устувортарин ва ARIMA-ро ҳассостарин модел нишон медиҳад. Ин натиҷа маънои онро надорад, ки расидани ARIMA ба баландтарин дақиқӣ дар як буриши муайяни уфуқи кӯтоҳ нишон медиҳад, ки модел дар ҳамаи равзанаҳои наздики омӯзиш ҳамон қадар устувор аст.
Чаро PHEP пешниҳод шуд?
Prediction Horizon Error Profile (PHEP) ба ҷойи як хатои миёна мехоҳад нишон диҳад, ки бузургии хато вобаста ба вақти боқимонда то вайроншавӣ чӣ гуна тағйир меёбад:
\[ PHEP(h)= \frac{1}{N_h} \sum_{i=1}^{N_h} \left| \frac{y_{i,h}-\hat{y}_{i,h}}{y_{i,h}} \right| \times100 \]
Дар Шакли 11 гуфта мешавад, ки бисёр моделҳо ҳангоми наздикшавӣ ба вайроншавӣ ду болоравии ҷудогонаи хато нишон медиҳанд, Prophet бошад профили ҳамвортари хато дорад. Манбаъ ин ду қулларо аввал ҳамчун марҳилаи гузариш, ки режими деградатсия тағйир ёфтанро оғоз мекунад, ва баъд ҳамчун марҳилаи критикии бештар ғайрихаттӣ ва бетартиб хеле наздик ба вайроншавӣ тафсир мекунад.
Азбаски қиматҳои нуқтавии графики PHEP дар матни асосӣ ҳамчун ҷадвал дода нашудаанд, дар Verianla Live аз график рақамҳои тахминӣ ҳосил карда нашудаанд.
Матритсаи хавф чӣ гуна сохта мешавад?
Дар таҳқиқот дақиқии пешгӯӣ ба се синфи амалӣ ҷудо шудааст: болотар аз %95 — баланд, %80–95 — миёна ва поёнтар аз %80 — паст. Муаллифон ошкоро мегӯянд, ки ин ҳадҳо таснифи муқоисавие мебошанд, ки ба таҷрибаи менеҷери дороӣ асос ёфтаанд ва барои ҳамаи барномаҳои RUL стандарти универсалӣ нестанд.
Шиддати оқибат бошад 30 рӯз пеш паст, 10 рӯз пеш миёна ва 3 рӯз пеш баланд қабул шудааст. Дар Dataset 1 ҳеҷ модел 30 рӯз пеш ба синфи дақиқии баланд ё миёна нарасидааст. Дар уфуқи кӯтоҳ ARIMA, GRU ва Prophet ба минтақаи дақиқии миёна дохил шудаанд, LSTM ва PatchTST дар минтақаи дақиқии паст боқӣ мондаанд.
Дар Dataset 2 дар уфуқи кӯтоҳ ARIMA %98,25, GRU %95,18, LSTM %95,14 ва Prophet %96,76 дар синфи дақиқии баланд ҷой гирифтаанд, PatchTST бошад бо %30,29 дар синфи паст мондааст.
Оё “эҳтимоли пешгӯии нодуруст” воқеан эҳтимол аст?
Манбаъ барои пеш бурдани равиши хавф эҳтимоли пешгӯии нодурустро ҳамчун функсияи ҷузъҳои accuracy, R², Shape-RMSE ва PHEP консептуалӣ мекунад:
\[ P_{wrong}=f(E_{acc},E_{R^2},E_{ShapeRMSE},E_{PHEP}) \]
Сипас индекси тахминии таркибии беэътимодӣ пешниҳод мешавад:
\[ P_{wrong}\approx w_1E_{acc}+w_2E_{R^2}+w_3E_{SSS}+w_4E_{PHEP} \]
\[ \sum_{i=1}^{4}w_i=1 \]
Ин формула эҳтимоли омории вайроншавии калибршуда нест. Манбаъ ҳам мегӯяд, ки ҳисоб кардани эҳтимоли воқеии пешгӯии нодуруст мустақиман душвор аст ва дар ин ҷо бо composite predictive unreliability index наздик карда мешавад. Илова бар ин, ҷузъи сеюм, ки дар муодилаи аввал `EShapeRMSE` дода шудааст, дар муодилаи баъдӣ бе шарҳ ба `ESSS` иваз мешавад; ин номувофиқати notation дар дохили манбаъ аст. Барои вазнҳо низ дар ин таҳқиқот рақамҳои универсалӣ ё таҷрибавӣ тасдиқшуда дода нашудаанд.
Раванди ниҳоии пешниҳодшуда барои арзёбии модел
Verianla Live: Ҷараёни арзёбии пешниҳодшуда пеш аз ба кор андохтани модели пешгӯии RUL
Ҷараён мантиқи асосии арзёбии Шакли 13-и манбаъро ҷамъбаст мекунад. Ин як тартиби ҳатмии тасдиқшуда ҳамчун стандарти саҳроӣ нест, балки чаҳорчӯбаи арзёбии пешниҳодкардаи муҳаққиқон мебошад.
| Марҳила | Шарҳ | Манбаъ |
|---|---|---|
| 1. Seed-и собит, як уфуқ | Модел омӯзонда мешавад; хато, R², монандии каҷ/шакл ва иҷрои асосӣ арзёбӣ мешаванд. | Шакли 13 — Stage 1 FSSH |
| 2. Seed-и тасодуфӣ, як уфуқ | Модел якчанд маротиба иҷро шуда, омори иҷро ва эътимоднокӣ дар як уфуқ санҷида мешавад. | Шакли 13 — Stage 2 RSSH |
| 3. Seed-и тасодуфӣ, бисёр уфуқ | Модел дар якчанд уфуқи пешгӯӣ такроран арзёбӣ мешавад. | Шакли 13 — Stage 3 RSMH |
| 4. Иҷрои умумии модел | Натиҷаҳои бисёрмеъёрӣ ва бисёруфуқӣ бо дигар моделҳо муқоиса мешаванд. | Шакли 13 |
| 5. Тести чанд маҷмӯаи додаҳо | Ҳангоми зарурат иҷро дар маҷмӯаҳои нави додаҳо, чанд иҷро ва уфуқ санҷида мешавад. | Шакли 13 — Stage 4 |
| 6. Тасдиқ | Агар модел талаботи муайяншудаи иҷро ва эътимоднокиро қонеъ кунад, барои истифода мувофиқ қабул мешавад. | Шакли 13 |
Муҳимтарин маҳдудиятҳои методологии таҳқиқот
Азбаски уфуқи пешгӯӣ ва ҳаҷми додаҳои омӯзишӣ дар тарҳи таҷриба якҷо тағйир меёбанд, таъсири мустақили уфуқ ҷудо карда намешавад. Маҷмӯаи якуми додаҳо танҳо таърихи маҳдуди 50-рӯзаро медиҳад ва муаллифони манбаъ махсус таъкид мекунанд, ки пешгӯиҳои тақрибан ҳамворе, ки дар LSTM, GRU ва моделҳои Transformer-монанд дида шудаанд, метавонанд аз дода ва оптимизатсияи нокифоя бароянд. Аз ин рӯ, таҷриба хулосаи “моделҳои оморӣ умуман аз омӯзиши амиқ беҳтаранд”-ро дастгирӣ намекунад.
Дар ҷадвалҳои асосии моделҳо confidence interval ё тестҳое, ки маънодории омории рейтинги моделҳоро нишон медиҳанд, пешниҳод нашудаанд. Гарчанде таҳқиқот ҳассосияти равзанаи омӯзишро меомӯзад, нишон дода намешавад, ки ҳамаи тестҳои эътимоднокии random-seed дар ҷараёни пешниҳодшудаи Шакли 13 бо ҳамон фарогирӣ дар муқоисаҳои асосӣ татбиқ шудаанд.
Матритсаи хавф шиддати оқибатро мустақиман ба равзанаҳои 30, 10 ва 3-рӯза мепайвандад; ин тасниф дар тамоми соҳа универсалӣ нест. Ба ҳамин монанд, ҳадҳои дақиқии %95 ва %80 ба назари амалии коршиносон асос меёбанд. Хавфи воқеии таҷҳизот бояд бо тағйирёбандаҳои хоси дороӣ, ба монанди оқибати бехатарӣ, талафи истеҳсол, арзиши нигоҳдорӣ, таъсири экологӣ, вақти қисмҳои эҳтиётӣ ва арзиши нигоҳдории барвақти нодуруст, дубора калибр карда шавад.
Эҳтимоли пешниҳодшудаи пешгӯии нодуруст ҳанӯз модели эҳтимолии калибршуда нест ва вазнҳои он аз ҷониби таҳқиқот ба таври миқдорӣ тасдиқ нашудаанд. Дар бахши хулосаи таҳқиқот низ ошкоро гуфта мешавад, ки квантификатсияи номуайянӣ дар таҳқиқоти ҷорӣ пурра ҳамгиро нашудааст ва ҳамчун кори оянда ба нақша гирифта шудааст.
Танҳо ду маҷмӯаи додаҳо истифода шудаанд ва ҳар ду ба додаҳои ларзиши подшипник асос меёбанд. Гарчанде Dataset 1 шароити воқеии турбинаи бодӣ ва Dataset 2 таҷрибаи назоратшудаи run-to-failure-ро ифода мекунанд, натиҷаҳо дар синфҳои дигари таҷҳизот мустақиман тасдиқ нашудаанд.
Дар манбаъ ҳамчунин фарқияти пешсафи уфуқи миёнаи Dataset 2 байни тавсиф ва Ҷадвали 8, номувофиқати истинодҳои repository, тағйири рамзи `EShapeRMSE`/`ESSS`, истилоҳоти PatchTST/PatchTST-inspired ва мувофиқат накардани пурраи натиҷаи Shape-RMSE-и уфуқи кӯтоҳ бо арзёбии визуалии муаллифон мавҷуд аст. Ин нуктаҳо паёми асосии мақоларо барҳам намедиҳанд, аммо аз нуқтаи назари такрористеҳсолпазирӣ ва камолоти меъёрҳо бояд ба назар гирифта шаванд.
Ёддошт оид ба Манбаъ ва Усул
| Номи пурраи аслии таҳқиқот | Evaluating RUL Predictive Models: A Risk-Based Predictive Maintenance Approach |
|---|---|
| Муаллифон | Idriss El-Thalji; Ali Usman; Waqar Ali |
| Тартиби муаллифон | 1. Idriss El-Thalji; 2. Ali Usman; 3. Waqar Ali |
| Саҳми баробар / муаллифи якуми баробар | Дар таҳқиқоти манбаъ изҳороти муаллифи якуми баробар ё саҳми баробар нишон дода нашудааст. |
| Муаллифи масъул | Idriss El-Thalji |
| Муассисаҳо | Department of Engineering Management, Prince Sultan University, Riyadh, Арабистони Саудӣ; Department of Mechanical and Structural Engineering and Materials Science, University of Stavanger, Stavanger, Норвегия. |
| Навъи манбаъ | Мақолаи таҳқиқотӣ, ки моделҳои пешгӯии RUL-ро дар ду маҷмӯаи кушодаи додаҳои ларзиш муқоиса намуда, чаҳорчӯбаи арзёбии моделро бар асоси хавф пешниҳод мекунад. |
| Ҳолати рецензия | Мақолаи таҳқиқотии дар маҷаллаи рецензияшуда нашршуда аст; preprint нест. |
| Маҷалла | AI |
| Ношир | MDPI |
| Ҷилд / шумора / мақола | 2026, 7(5), 169 |
| DOI | 10.3390/ai7050169 |
| Санаи қабул | 2 марти 2026 |
| Санаи бозбинӣ | 10 майи 2026 |
| Санаи пазируфтан | 12 майи 2026 |
| Санаи нашр | 14 майи 2026 |
| Пайванди расмӣ | https://doi.org/10.3390/ai7050169 |
| Иҷозатнома | Creative Commons Attribution (CC BY). |
Маблағгузорӣ, ахлоқ ва бархӯрди манфиатҳо
Муаллифон гузориш додаанд, ки таҳқиқот маблағгузории беруна нагирифтааст. Майдонҳои Institutional Review Board ва informed consent ҳамчун “татбиқ намешавад” нишон дода шудаанд. Муаллифон изҳор кардаанд, ки бархӯрди манфиатҳо вуҷуд надорад.
Дастрасии додаҳо
Таҳқиқоти манбаъ мегӯяд, ки ду маҷмӯаи асосии додаҳо аз repository-ҳои кушода омадаанд. Маҷмӯаи аввал додаҳои prognosis-и подшипники баландсуръати турбинаи бодӣ, дуюм IMS bearing run-to-failure dataset мебошад. Аммо азбаски шарҳҳои repository дар матни асосӣ бо ҳадафҳои сабтҳои адабиёти [46] ва [47] пурра мувофиқ нестанд, барои такрористеҳсоли мустақил repository-и аслӣ ва версияи додаҳо бояд алоҳида санҷида шаванд.
Саҳми муаллифон
Idriss El-Thalji, Ali Usman ва Waqar Ali ба консептуализатсия, нармафзор, валидация, таҳлили формалӣ, таҳқиқот, data curation, тарҳи аввал, бозбинӣ ва визуализатсия саҳм гузоштаанд. Методология аз ҷониби Idriss El-Thalji ва Ali Usman анҷом дода шудааст. Захираҳо, назорат, идоракунии лоиҳа ва дарёфти маблағгузорӣ аз ҷониби Idriss El-Thalji ба уҳда гирифта шудааст.
Сабти критикӣ аз нуқтаи назари садоқат ба манбаъ
Дар матни манбаъ гуфта мешавад, ки Prophet дар уфуқи миёнаи Dataset 2 беҳтарин модел аст; аммо Ҷадвали 8 барои ARIMA %82,04 ва барои Prophet %81,03 нишон медиҳад. Дар матни Verianla қиматҳои ҷадвал бе тағйир нигоҳ дошта шуда, номувофиқати тавсиф–ҷадвал ошкоро қайд шудааст.
Манбаъ дар Ҷадвали 1 моделро “PatchTST-inspired” муайян мекунад, дар ҳоле ки бахшҳои натиҷаҳо номи “PatchTST”-ро истифода мебаранд. Аз ин рӯ, натиҷаҳо ҳамчун benchmark-и мустақил ва пурраи меъмории каноникии PatchTST пешниҳод нашудаанд.
Shape-RMSE дар уфуқи кӯтоҳ барои PatchTST 0,0540 ва барои Prophet 0,0681 медиҳад. Аз рӯи меъёри математикӣ PatchTST беҳтар менамояд, аммо баррасии визуалии муаллифони манбаъ мегӯяд, ки Prophet каҷи воқеии деградатсияро беҳтар пайгирӣ мекунад. Худи манбаъ инро ҳамчун далел меорад, ки дар равзанаҳои хеле кӯтоҳ Shape-RMSE ба танҳоӣ метавонад нокифоя бошад.
Дар формулаи таркибии хавфи пешгӯии нодуруст дар намоиши аввал `EShapeRMSE`, дар муодилаи баъдӣ бошад бе таъриф `ESSS` истифода шудааст. Илова бар ин, калибровкаи таҷрибавии вазнҳо барои ин индекси таркибӣ ва валидасияи он нисбат ба эҳтимоли воқеии пешгӯии нодуруст дар таҳқиқоти ҷорӣ анҷом дода нашудаанд.
Бехатартарин тафсири натиҷаҳо ин аст, ки мувофиқати модели RUL барои нигоҳдорӣ набояд танҳо бо як метрикаи хато ё як уфуқи вақт арзёбӣ шавад. Гарчанде таҳқиқот ин равишро дар ду маҷмӯаи додаҳои подшипник нишон медиҳад, чаҳорчӯбаи пешниҳодшудаи бар асоси хавф бояд бо синфҳои гуногуни дороӣ, маҷмӯаҳои мустақили додаҳо ва квантификатсияи номуайянӣ васеътар тасдиқ карда шавад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд