Ин таҳқиқот баррасӣ мекунад, ки чаро ташхиси носозиҳои мошинҳои даврзананда махсусан дар муҳитҳои пурғавғо ва ҳангоми мавҷуд будани шумораи ками намунаҳои омӯзишӣ душвор мегардад. Усули пешниҳодшуда оптимизатсияи тӯдаи зарраҳо, яъне Particle Swarm Optimization (PSO), барои танзими ҷангали каскадии дорои ядрои RBF, яъне модели Kernelized Cascade Forest (KCForest) мебошад. Ҳадаф ин аст, ки бо истифода аз хусусиятҳои басомадие, ки аз сигналҳои ларзиш гирифта мешаванд, дар мошинҳои даврзананда, ба монанди вентилятори киштӣ, ҳолатҳои кори муқаррарӣ, номувозинии парраи вентилятор, сустшавии пояи муҳаррик ва бандшавии вентилятор аз ҳам ҷудо карда шаванд.

Маълумоти истифодашуда аз сигналҳои ларзиши дастгоҳи озмоишии вентилятори киштӣ гирифта шудааст, ки бо муҳаррики асинхронии сефаза кор мекунад. Сигналҳо аввал тавассути Табдили Суръати Fourier, яъне Fast Fourier Transform (FFT), ба соҳаи басомад гузаронида шуданд ва сипас фаъолияти классификаторҳои гуногун дар ҳамон векторҳои хусусиятҳо муқоиса карда шуд. Усули пешниҳодшудаи KCForest дар муҳити озмоишии беғавғо дақиқии %98,05 ба даст овард; дар зери ғавғои сафеди Gaussian бо таносуби сигнал ба ғавғои 20 dB бошад, дақиқии санҷишӣ %97,10 гузориш шудааст. Ин нисбат ба ҳолати беғавғо танҳо коҳиши 0,95 банди фоизиро ифода мекунад.

Ҷиҳати муҳими таҳқиқот танҳо гузориши дақиқии баланд нест. Таҳқиқот кӯшиш мекунад нишон диҳад, ки сохторҳои анъанавии ҷангали тасодуфӣ ва ҷангали каскадӣ зери ғавғо чӣ гуна бад мешаванд ва чӣ гуна харитасозии ядроӣ ва параметрҳои танзимшуда тавассути PSO метавонанд ин бадшавиро кам кунанд. Аммо ин натиҷаҳо ба як таҳқиқоти preprint-и аз баррасии ҳамтоён нагузашта ва ба дастгоҳи мушаххаси озмоишии вентилятори киштӣ асос ёфтаанд. Аз ин рӯ, гарчанде усул умедбахш менамояд, онро набояд ҳамчун кафолати муваффақияти қатъӣ барои ҳамаи навъҳои мошинҳои даврзананда хонд.

Масъалаи асосии таҳқиқот чист?

Мошинҳои даврзананда — вентиляторҳо, насосҳо, муҳаррикҳо, турбинаҳо, генераторҳо, низомҳои ёрирасони киштӣ ва бисёр таҷҳизоти хатҳои истеҳсолии саноатӣ — дар маркази фаъолияти техникӣ қарор доранд. Ҳатто носозии хурд дар чунин мошинҳо метавонад бо мурури замон афзуда, ба талафи энергия, қатъи истеҳсол, хатари бехатарӣ ё равандҳои гаронарзиши нигоҳдорӣ оварда расонад. Аз ин рӯ, ошкор кардани носозӣ дар марҳилаи аввал на танҳо масъалаи техникӣ, балки барои бехатарии амалиёт ва хароҷоти нигоҳдорӣ низ муҳим аст.

Масъалае, ки ин таҳқиқот ба он тамаркуз мекунад, чунин аст: Сигналҳои ларзиши аз мошинҳои даврзананда гирифташуда маълумоти хеле арзишманд дар бораи носозиҳоро доранд; аммо ин сигналҳо ҳамеша тоза, мунтазам ва осон ҷудошаванда нестанд. Дар муҳитҳои воқеии корӣ маълумоти ларзиш метавонад аз сабаби ғавғо, хатои сенсор, таъсири муҳит, бори тағйирёбанда, сустшавии механикӣ ва нишонаҳои ба ҳам монанди намудҳои гуногуни носозӣ мураккаб гардад. Агар модели омӯзиши мошинӣ дар чунин ҳолат танҳо сохтори «ёдгирандаи маълумот» бошад, он метавонад ба ҷойи намунаи воқеии носозӣ нишонаи ғавғоро омӯзад.

Таҳқиқот ба ду мушкил махсусан диққат медиҳад:

• Ҷудокунии устувори носозӣ зери ғавғо: Вақте ба сигнали ларзиш ҷузъҳои вайронкунандаи беруна илова мешаванд, муваффақияти классификатсияи модел метавонад зуд коҳиш ёбад.
• Омӯзиш бо намунаҳои кам: Дар саноат ҷамъ кардани маҷмӯаҳои хеле калон барои ҳар як намуди носозӣ ҳамеша имконпазир нест. Баъзе носозиҳо кам рух медиҳанд ва баъзеҳоро ба таври таҷрибавӣ эҷод кардан гарон ё хатарнок аст.

Вақте ин ду масъала якҷоя мешаванд, ташхиси носозӣ душвортар мегардад. Масалан, номувозинии парраи вентилятор ва сустшавии пояи муҳаррик метавонанд дар сигнали ларзиш баъзе ҷузъҳои басомадии ба ҳам монанд ба вуҷуд оранд. Агар болои ин ғавғо низ илова шавад, ҷудо кардани ин ду ҳолат барои модел боз ҳам душвортар мегардад. Усули KCForest маҳз ҳадаф дорад, ки ин сарҳадҳои омехтаро беҳтар ҷудо кунад.

Чаро ин масъала муҳим аст?

Дар равиши анъанавии нигоҳдорӣ мошин ё дар фосилаҳои муайян санҷида мешавад, ё баъди он ки носозӣ равшан мегардад, дахолат сурат мегирад. Аммо дар саноати муосир ҳадаф ин аст, ки пеш аз калон шудани носозӣ огоҳии барвақт ба даст оварда шавад. Ин равиш одатан таҳти унвонҳои мониторинги ҳолат (condition monitoring) ва нигоҳдории пешгӯишаванда (predictive maintenance) баррасӣ мешавад.

Таҳлили ларзиш дар ин соҳа хеле васеъ истифода мешавад, зеро номувозинӣ, сустшавӣ, соиш, бандшавӣ ё резонанс дар қисмҳои даврзананда аксаран дар сигнали ларзиш инъикос мешаванд. Чӣ гуна гӯши инсон баъзан «садои ғайриодӣ»-и муҳаррикро ҳис мекунад, сенсорҳои ларзиш низ метавонанд тағйироти рафтори механикии мошинро ба таври рақамӣ сабт кунанд. Аммо барои он ки ҳисси интуитивии инсон дар низоми муҳандисӣ ба қарори боэътимод табдил ёбад, сигнал бояд ба хусусиятҳои дуруст ҷудо ва бо классификатори устувор тафсир карда шавад.

Аҳамияти таҳқиқот дар ҳамин ҷо пайдо мешавад: Он дар дастгоҳи амалии мошини даврзананда, ба монанди вентилятори киштӣ, сохтори классификатореро пешниҳод мекунад, ки ба ғавғо ва шароити маълумоти камтар тобовартар аст. Аз нуқтаи назари барномаҳои баҳрӣ, вентиляторҳо, муҳаррикҳо ва таҷҳизоти ёрирасони даврзананда барои бехатарии киштӣ ва идомаи низом муҳиманд. Аммо натиҷаҳо набояд ҳамчун далели мустақими саҳроӣ барои ҳамаи мошинҳои киштӣ хонда шаванд; онҳо санҷиши таҷрибавӣ дар дастгоҳи мушаххас мебошанд.

Холигие, ки таҳқиқот дар адабиёт ё амалия ба он ҷавоб медиҳад

Холигии адабиётӣ, ки дар таҳқиқот тавсиф мешавад, маҳдуд будани классификаторҳои классикӣ ва баъзе усулҳои омӯзиши ансамблӣ дар шароити пурғавғо ва намунаҳои кам мебошад. Ҷангали тасодуфӣ (Random Forest, RF) бо муттаҳид кардани бисёр дарахтони қарор метавонад нисбат ба як дарахти қарор натиҷаҳои устувортар диҳад. Аммо RF на ҳамеша сохтори чуқур ва бисёрқабатаи сигналҳои мураккаби ларзишро ба таври кофӣ намояндагӣ мекунад.

Ҷангали каскадӣ (Cascade Forest, CForest) бошад, кӯшиш мекунад бо истифода аз якчанд қабати ҷангал пай дар пай намояндагии амиқтар омӯзад. Эҳтимолиятҳои синфие, ки як қабат тавлид мекунад, ҳамчун маълумоти иловагӣ ба қабати баъдӣ интиқол дода мешаванд. Ин дар назари аввал фикри қавӣ аст, зеро модел на танҳо хусусиятҳои хом, балки маълумоти «ин намуна эҳтимол ба кадом синф наздик аст?»-и қабати қаблиро низ истифода мебарад. Аммо мушкилоте, ки таҳқиқот таъкид мекунад, чунин аст: Агар қабати аввал аз сабаби ғавғо тақсимоти нодурусти эҳтимолият ба вуҷуд орад, ин хато метавонад ба қабатҳои баъдӣ интиқол ёфта, калон шавад. Яъне сохтори каскадӣ баъзан ба ҷойи амиқтар кардани маълумоти дуруст, хатои аз ғавғо сарчашмагирифтаро низ амиқ мекунад.

Равиши пешниҳодшудаи KCForest кӯшиш мекунад ин холигиро бо ду абзор пур кунад:

• Харитасозии ядрои RBF: Ҳадаф дорад хусусиятҳои ларзишро дар фазои ғайрихаттии шабоҳат аз нав ифода карда, синфҳои омехтаро бештар ҷудошаванда созад.
• Оптимизатсияи параметрҳо бо PSO: Ба ҷойи интихоби дастии параметрҳои ҳассоси функсияи ядро, онҳоро тавассути оптимизатсияи тӯдаи зарраҳо ҷустуҷӯ мекунад.

Аз ин ҷиҳат таҳқиқот танҳо намегӯяд «классификатори навро санҷидем», балки меъмориеро пешниҳод мекунад, ки интиқоли хато ва осебпазирии CForest дар намунаҳои камро коҳиш диҳад.

Мантиқи асосии ҷангали тасодуфӣ ва формулаи Gini

Дар таҳқиқот аввал асоси алгоритми ҷангали тасодуфӣ шарҳ дода мешавад. Ҷангали тасодуфӣ бисёр дарахтони қарорро якҷоя мекунад. Ҳар дарахт бо намунаи гуногуни маълумоти омӯзишӣ ва зермаҷмӯаи гуногуни хусусиятҳо омӯзонида мешавад. Ҳамин тавр, хатари аз ҳад омӯзидани як дарахти ягона коҳиш меёбад. Ҳангоми классификатсия қарорҳои дарахтон якҷоя арзёбӣ мешаванд.

Яке аз меъёрҳои тақсими гиреҳ дар дарахтони қарор индекси Gini мебошад. Формулаи дар таҳқиқот додашуда чунин аст:

\[ Gini(M)=1-\sum_{k=1}^{K}p_k^2 \]

Дар ин ҷо M маҷмӯаи намунаҳо дар гиреҳи дахлдор, K шумораи синфҳо ва p_k ҳиссаи намунаҳои синфи k дар маҷмӯаи M мебошад. Ҳар қадар арзиши Gini хурд бошад, гиреҳ «тозатар» ҳисоб мешавад. Яъне агар қисми зиёди намунаҳо дар гиреҳ ба як синф тааллуқ дошта бошанд, Gini коҳиш меёбад.

Бо ташбеҳи ҳаррӯза, қуттие, ки танҳо тӯбчаҳои сурх дорад, қуттии хеле мураттаб ва тоза аст. Қуттие, ки тӯбчаҳои сурх, кабуд, сабз ва зард омехта дорад, номуайянтар аст. Индекси Gini ба дарахти қарор кӯмак мекунад, ки тақсимотеро интихоб кунад, ки ин номуайяниро кам мекунад. Дар ташхиси носозии мошини даврзананда ин «тӯбчаҳо» синфҳое мебошанд, ба монанди кори муқаррарӣ, номувозинии вентилятор, сустшавии муҳаррик ва бандшавии вентилятор.

Чаро ҷангали каскадӣ танҳо кофӣ набошад?

Дар сохтори Cascade Forest ҳар қабат эҳтимолиятҳои синфиро аз қабати қаблӣ ҳамчун хусусиятҳои нав истифода мебарад. Вектори ибтидоии хусусиятҳо дар таҳқиқот чунин муайян шудааст:

\[ x^{(0)} \in \mathbb{R}^{d} \]

Дар ин ҷо x^{(0)} вектори ибтидоии хусусиятҳоест, ки пас аз коркарди пешакӣ ва FFT ба даст меояд; d андозаи ин хусусиятҳои соҳаи басомад мебошад. Ба ибораи дигар, шакли хоми сигнали ларзиш дар вақт гирифта, ба ҷузъҳои басомад ҷудо ва ба вектори ададие табдил дода мешавад, ки модел онро коркард карда метавонад.

Воридоти қабатҳои каскадӣ дар таҳқиқот чунин дода шудааст:

\[ x^{(l)}=[x^{(0)},p^{(l-1)}] \]

Дар ин ҷо x^{(l)} воридоти қабати l, x^{(0)} хусусиятҳои физикии аслӣ ва p^{(l-1)} вектори эҳтимолиятҳои синфие мебошад, ки қабати қаблӣ тавлид кардааст. Ин сохтор имкон медиҳад, ки маълумоти аслии ларзиш гум нашавад ва ҳамзамон тафсири қабати қаблӣ ба модел илова шавад.

Ин мантиқ қавӣ аст, аммо дар муҳитҳои пурғавғо хатар дорад. Зеро агар қабати қаблӣ эҳтимолияти нодуруст тавлид кунад, қабати баъдӣ ин хатогиро низ ҳамчун «хусусият» истифода мебарад. Нуқтаи интиқодии таҳқиқот ҳамин аст: Сохтори каскадӣ, агар механизми кофии филтри ғавғо надошта бошад, метавонад хатоҳоро байни қабатҳо интиқол диҳад.

Ғояи асосии KCForest: Бо харитасозии ядроӣ синфҳоро бештар ҷудошаванда кардан

Модели пешниҳодшудаи KCForest ба сохтори CForest механизми харитасозии ядроӣ илова мекунад. Ғояи умумии харитасозии ядро дар таҳқиқот бо формулаи зерин ифода шудааст:

\[ \phi:\mathbb{R}^{d}\rightarrow H \]

Дар ин ҷо \(\phi\) функсияи табдили ғайримустақим аст, ки маълумотро аз фазои аслии d-андозаи хусусиятҳо ба фазои баландандозаи Hilbert мебарад. H ин фазои нави намояндагии баландандоза мебошад. Ҳадафи табдил ин аст, ки синфҳои носозие, ки дар фазои аслӣ омехта менамоянд, дар фазои нав бештар ҷудошаванда шаванд.

Инро бо мисоли ҳаррӯза чунин тасаввур кардан мумкин аст: Фарз кунед, ки ду навъи носозӣ дар графики дуандоза болои ҳам меоянд. Агар танҳо аз рӯ ба рӯ бинед, синфҳо омехта менамоянд. Аммо агар ба ҳамон маълумот аз кунҷи дигар ё дар намояндагии баландандоза нигоҳ кунед, сохтори ҷудошаванда пайдо шуда метавонад. Усули ядроӣ ба таври математикӣ имкон медиҳад, ки ба маълумот аз ҳамин «кунҷи дигар» нигоҳ карда шавад.

Ядрои RBF чӣ кор мекунад?

Функсияи ядроие, ки дар таҳқиқот истифода шудааст, RBF, яъне Radial Basis Function, мебошад. Формулаи умумӣ чунин аст:

\[ K(x,z)=\exp(-\gamma \|x-z\|^2) \]

Дар ин ҷо x ва z ду вектори хусусиятҳои муқоисашаванда мебошанд. \(\|x-z\|^2\) масофаи квадратии Euclidean байни ин ду векторро нишон медиҳад. \(\gamma\) параметри паҳноии ядро мебошад ва муайян мекунад, ки бо афзоиши масофа шабоҳат чӣ қадар зуд коҳиш меёбад. \(\exp\) функсияи экспоненсиалӣ мебошад.

Маънои амалии ин формула чунин аст: Агар ду намунаи ларзиш ба ҳам хеле монанд бошанд, арзиши RBF баланд мешавад; агар аз ҳам дур бошанд, арзиш хурд мешавад. Ҳамин тавр, модел метавонад на танҳо ба арзишҳои алоҳидаи басомад, балки ба он низ назар кунад, ки намуна ба марказҳои синфҳо чӣ қадар монанд аст. Ин дар шароити ғавғо муҳим аст, зеро ғавғои тасодуфӣ метавонад тағйироти хурд эҷод кунад; аммо намунаи асосии носозӣ, агар миқёс дуруст интихоб шавад, метавонад устувортар намояндагӣ шавад.

Формулаи махсуси хусусияти RBF дар таҳқиқот

Дар таҳқиқот хусусиятҳои ядрои RBF аз рӯи масофаи намунаҳо то марказҳои синф ҳисоб карда мешаванд. Формулаи махсуси додашуда чунин аст:

\[ K_{i,c}=\omega \cdot \exp\left(-\gamma \cdot \frac{d^2_{i,c}}{\max(d^2)} \cdot 10\right) \]

Дар ин формула \(K_{i,c}\) арзиши шабоҳати ядроии намунаи i нисбат ба маркази синфи c мебошад. \(\omega\) вазни хусусияти ядро мебошад, яъне то чӣ андоза ин хусусиятҳои нави ядроӣ ба модел таъсир мекунанд. \(\gamma\) параметри паҳноии RBF аст. \(d^2_{i,c}\) масофаи квадратии Euclidean байни вектори хусусияти намунаи i ва вектори маркази синфи c мебошад. Дар таҳқиқот ин масофа чунин шарҳ дода мешавад:

\[ d^2_{i,c}=\|X_i-C_c\|^2 \]

Дар ин ҷо \(X_i\) вектори хусусияти намунаи i ва \(C_c\) вектори маркази синфи c мебошад. Терми \(\max(d^2)\) барои миқёсбандии масофаҳо истифода мешавад. Зарби 10 дар формула барои устувории ададӣ ҳангоми ҳисоб кардани функсияи экспоненсиалӣ ҳамчун унсури миқёсбандӣ истифода шудааст.

Маънои ин формула барои ташхиси носозӣ чунин аст: Модел ҳисоб мекунад, ки ҳар намунаи ларзиш ба маркази ҳар синфи носозӣ чӣ қадар монанд аст. Масалан, агар сигнал ба маркази синфи номувозинии парраи вентилятор наздиктар бошад, арзиши шабоҳат метавонад баландтар шавад. Аммо ин танҳо қарори ниҳоӣ нест; KCForest ин хусусиятҳои ядроиро бо хусусиятҳои аслии FFT ва векторҳои эҳтимолият аз қабати қаблӣ якҷоя арзёбӣ мекунад.

Такмили хусусиятҳо дар дохили қабат ва байни қабатҳо

Дар KCForest хусусиятҳои аслӣ дар ҳар қабат бо хусусиятҳои ядроӣ васеъ карда мешаванд. Воридоти васеъшуда дар таҳқиқот чунин ифода шудааст:

\[ X^{(l)}_{aug}=[X^{(l)},K^{(l)}] \]

Дар ин ҷо \(X^{(l)}_{aug}\) матритсаи васеъшудаи хусусиятҳо дар қабати l мебошад. \(X^{(l)}\) хусусиятҳои мавҷудае, ки ба он қабат меоянд, ва \(K^{(l)}\) хусусиятҳои ядроие мебошанд, ки дар ҳамон қабат ҳисоб шудаанд.

Таҳқиқот нишон медиҳад, ки дар ҳар қабат ду ҷангали тасодуфӣ ва ду ҷангали дарахтони комилан тасодуфӣ истифода мешаванд. Ҳар яке аз ин ҷангалҳои гуногун тақсимоти эҳтимолият барои синфҳоро тавлид мекунад. Хуруҷи миёнаи эҳтимолияти M зерҷангал дар як қабат бо формулаи зерин нишон дода мешавад:

\[ P^{(l)}=\frac{1}{M}\sum_{m=1}^{M}P_m^{(l)} \]

Дар ин ҷо \(P^{(l)}\) хуруҷи миёнаи эҳтимолияти синфии қабати l, M шумораи зерҷангалҳо ва \(P_m^{(l)}\) вектори эҳтимолияти синфие мебошад, ки ҷангали m дар қабати l тавлид кардааст. Ин миёнагирӣ ба кам кардани хатои тасодуфии як модели ягона кӯмак мекунад.

Ғайр аз ин, ҳамаи хуруҷҳои эҳтимолияти ҷангалҳо дар қабат якҷоя шуда, матритсаи васеъшудаи эҳтимолият чунин сохта мешавад:

\[ P^{(l)}_{layer}=[P_1,P_2,\ldots,P_F] \]

Дар ин ҷо F шумораи ҷангалҳо дар қабати дахлдор мебошад. Бо ин сохтор модел метавонад ҳамзамон истифода барад, ки ҷангалҳои гуногун ба як намунаи ларзиш чӣ гуна назар мекунанд. Яъне қарор ба ҳукми як дарахт ё як ҷангал маҳдуд намешавад.

Чаро механизми боздоштани барвақт лозим аст?

Дар моделҳои каскадӣ ҳамеша зиёд кардани шумораи қабатҳо натиҷаи беҳтар намедиҳад. Агар қабатҳо бе зарурат зиёд шаванд, модел метавонад ба ҷойи намунаи воқеии носозӣ ҷузъиёти тасодуфии хоси маълумоти омӯзиширо ёд гирад. Ин хатари аз ҳад омӯзишро зиёд мекунад.

Аз ин рӯ, дар таҳқиқот механизми боздоштани барвақт дар асоси муваффақияти validation истифода мешавад. Шарти абстрактии боздошт чунин дода шудааст:

\[ Acc^{(l)}\leq \max_{k

Дар ин ҷо \(Acc^{(l)}\) дақиқии validation-и қабати l, ва \(\max_{k беҳтарин дақиқии validation дар байни қабатҳои қаблиро ифода мекунад. Агар қабати нав беҳтарин натиҷаи қаблиро такмил надиҳад, афзоиши каскадӣ боздошта мешавад. Ин барои пешгирӣ кардани амиқшавии нолозими модел истифода мешавад.

PSO дар ин ҷо чиро оптимизатсия мекунад?

Дар таҳқиқот PSO барои оптимизатсияи се параметри муҳим дар механизми ядрои RBF истифода мешавад:

• \(\gamma\): Параметри паҳноии ядрои RBF. Муайян мекунад, ки шабоҳат бо масофа чӣ қадар зуд коҳиш меёбад.
• \(\omega\): Вазни умумии хусусиятҳои ядроӣ. Сатҳи саҳми ин хусусиятҳоро ба модел танзим мекунад.
• \(c_w\): Коэффисиенти вазни маркази синф. Бо миқёсбандии марказҳои синф ба шакли сарҳадҳои қарор таъсир мерасонад.

PSO-ро метавон бо ташбеҳи ҳаррӯза ҳамчун тӯдаи хурди парандагон тасаввур кард, ки дар як замин беҳтарин нуқтаро меҷӯянд. Ҳар зарра як комбинатсияи эҳтимолии параметрҳоро ифода мекунад. Зарраҳо ҳангоми ҳаракат ҳам ҷойи хуби дар гузашта ёфтаи худро ва ҳам беҳтарин ҷойи аз ҷониби тамоми тӯда ёфташударо ба назар мегиранд. Ҳамин тавр, дар фазои параметрҳо танзимоте ҷустуҷӯ мешаванд, ки дақиқии беҳтар медиҳанд.

Ҷустуҷӯи PSO дар таҳқиқот дар муҳити дорои ғавғои сафеди Gaussian бо сатҳи 20 dB SNR анҷом дода шудааст. Шумораи зарраҳо 10 дода шудааст. Диапазонҳои параметрҳо барои \(\gamma\) [0,5, 8], барои \(\omega\) [0,5, 4] ва барои \(c_w\) [0,8, 1,5] муайян карда шудаанд. Вазни инерсия дар тӯли итератсияҳо аз 0,8 то 0,4 коҳиш дода шудааст. Коэффисиенти когнитивӣ ва коэффисиенти омӯзиши иҷтимоӣ бошад, 1,5 истифода шудаанд.

Дар графики сеандозаи оптимизатсияи PSO нишон дода мешавад, ки беҳтарин ҳалли тақрибӣ \(\gamma=1{,}654\), \(\omega=1{,}022\), \(c_w=0{,}988\) ва арзиши fitness 0,9475 мебошад. Ин арзишҳо нишон додан мехоҳанд, ки модел дар муҳити пурғавғо миқёси ядроиро ёфтааст, ки ҷудошавии байни синфҳоро нигоҳ медорад.

Дастгоҳи таҷрибавӣ ва намудҳои носозӣ

Объекти санҷишӣ дар таҳқиқот вентилятори киштӣ мебошад, ки бо муҳаррики асинхронии сефаза гардонда мешавад. Арзишҳои техникии муҳаррики вентилятор чунинанд: шиддати номиналӣ 380 V, ҷараёни номиналӣ 4,6 A, қувваи номиналӣ 1,1 kW, басомади номиналӣ 50 Hz ва суръати гардиши номиналӣ 1400 dev/dak.

Чор ҳолати корӣ омӯхта шудаанд:

• f1: Ҳолати муқаррарӣ
• f2: Носозии номувозинии парраи вентилятор
• f3: Носозии сустшавии пояи муҳаррик
• f4: Носозии бандшавии вентилятор

Маълумоти ларзиш бо сенсори магнитӣ ҷамъоварӣ шудааст. Ҳассосияти сенсор 10,20 mV/g, bias voltage 12,40 V ва басомади намунагирӣ 1652 Hz дода шудааст. Ҳар гурӯҳи сигнал муддати намунагирии 2 сония дорад. Барои ҳар санҷиш 20 маҷмӯаи маълумот ҷамъ карда шуда, барои ҳар ҳолати вентилятор 50 санҷиш анҷом ёфтааст ва дар маҷмӯъ 4000 маълумоти санҷишӣ ба даст омадааст. Байни санҷишҳо фосилаи 5-дақиқаӣ нигоҳ дошта шудааст, то ҳарорати таҷҳизот устувор гардад ва таъсири муҳит назорат шавад.

Баровардани хусусиятҳои басомадӣ аз сигнали ларзиш бо FFT

Дар таҳқиқот барои ҳамаи классификаторҳо як вектори хусусиятҳои умумӣ истифода шудааст. Ин қадам муҳим аст, зеро барои муқоисаи алгоритмҳои гуногун маълумоте, ки ба модел дода мешавад, бояд яксон бошад. Сигналҳои ларзиш аз соҳаи вақт ба соҳаи басомад тавассути FFT табдил дода шудаанд. Ҷузъҳои басомади манфӣ хориҷ карда шуда, спектри амплитудаи FFT ҳамчун хусусият интихоб ва min-max normalization татбиқ шудааст.

Маънои FFT дар ин ҷо чунин аст: Сигнали ларзиш дар соҳаи вақт нишон медиҳад, ки мошин бо мурури замон чӣ гуна меларзад. Соҳаи басомад бошад, нишон медиҳад, ки ин ларзиш дар кадом басомадҳо бештар мутамарказ шудааст. Ин барои ташхиси носозӣ хеле арзишманд аст, зеро носозиҳои гуногун метавонанд ҷузъҳои басомадии гуногунро тақвият диҳанд ё энергияро ба минтақаҳои гуногуни басомад интиқол диҳанд.

Фарқҳои физикие, ки дар графикҳо ва шаклҳо нишон дода шудаанд

Дар таҳқиқот сигналҳои ларзиш ва графикҳои спектр барои ҳолатҳои гуногуни муҳаррик муқоиса мешаванд. Дар ҳолати муқаррарии f1 амплитудаи ларзиш устувортар менамояд. Дар ҳолатҳои номувозинии парраи вентилятор ва сустшавии пояи муҳаррик хусусиятҳои зарбаи даврӣ равшантар мешаванд. Дар ҳолати бандшавии вентилятор бошад, намунаи доимитарини ларзиши басомади баланд мушоҳида мешавад.

Натиҷаҳои спектр фарқҳои физикии байни намудҳои носозиро равшантар мекунанд. Дар ҳолати муқаррарии f1 қуллаи асосии басомад тақрибан 576,50 Hz, энергияи умумӣ бештар мутамарказ ва entropy-и спектрӣ пасттар нишон дода шудааст. Ин кори мураттабтар ва устувортари мошинро ифода мекунад. Дар f2, яъне номувозинии парраи вентилятор, басомади асосӣ то 518,00 Hz паст мешавад; энергияи басомади паст ва entropy-и спектрӣ меафзоянд. Ин бо афзоиши ларзишҳои басомади паст, ки аз тақсимоти номувозини масса ба вуҷуд меоянд, мувофиқ аст.

Дар f3, яъне сустшавии пояи муҳаррик, басомади асосӣ 518,50 Hz дода шуда, энергия ба минтақаи басомади баланд мегузарад. Ин ҳолат бо таъсирҳои резонанси басомади баланд аз пайвастҳои сохтории сустшуда алоқаманд карда мешавад. Дар f4, яъне бандшавии вентилятор, басомади асосӣ 568,50 Hz мебошад; энергияи умумӣ ва entropy-и спектрӣ дар сатҳи миёнаанд. Ин ба намунаи махсуси ларзиш, ки аз монеаи ҷараёни ҳаво ё бандшавӣ сарчашма мегирад, ишора мекунад.

Ҳатто агар ин графикҳо мустақиман нашр нашаванд, барои фаҳмидани ғояи асосии таҳқиқот муҳиманд: Модел бо рақамҳои тасодуфӣ кор намекунад; он кӯшиш мекунад нишонаҳои рафтори воқеии механикиро дар соҳаи басомад омӯзад. Яъне хусусиятҳои FFT, ки ба классификатор дода мешаванд, сигналҳое мебошанд, ки аз таъсири физикии носозиҳо ба вуҷуд омадаанд.

Санҷиши ғавғо чиро нишон медиҳад?

Дар таҳқиқот бо истифода аз ғавғои сафеди Gaussian муҳити пурғавғо дар сатҳи 20 dB SNR сохта шудааст. Гуфта мешавад, ки амплитудаи ғавғо тақрибан %10 амплитудаи сигнали аслиро ташкил медиҳад. Ҳадафи ин санҷиш муайян кардани он аст, ки модел на танҳо дар сигналҳои тозаи лабораторӣ, балки дар шароити сигнали вайроншуда низ кор мекунад ё не.

Илова кардани ғавғо ба монанди гузоштани тағйироти тасодуфӣ болои сигнал аст. Агар модел танҳо дар маълумоти тоза хуб кор кунад, аммо зери ғавғо фурӯ равад, барои истифодаи саноатӣ маҳдуд мешавад. Иддаои асосии KCForest ин аст, ки тавассути харитасозии ядрои RBF ва параметрҳои оптимизатсияшуда бо PSO ин таъсири ғавғо беҳтар фурӯ нишонда мешавад.

Натиҷаҳо чӣ мегӯянд?

Дар муҳити беғавғо дақиқии validation-и KCForest %98,75 ва дақиқии test %98,05 дода шудааст. Дар ҳамин шароит дақиқии test-и CForest %98,25 буда, каме аз KCForest баландтар аст. RF бошад, бо дақиқии test-и %98,05 ба ҳамон арзиши KCForest расидааст. Аз ин рӯ, натиҷаҳо бояд ростқавлона чунин хонда шаванд: Дар шароити маълумоти тоза KCForest танҳо ва бо фарқи калон баландтарин дақиқии test-ро надодааст; усулҳои ҷангалӣ ба монанди CForest ва RF низ фаъолияти хеле қавӣ нишон додаанд.

Аммо дар муҳити пурғавғо ҷадвал тағйир меёбад. Зери ғавғои 20 dB SNR дақиқии test-и KCForest то %97,10 паст мешавад. Ин нисбат ба муҳити беғавғо танҳо 0,95 банди фоизӣ коҳиш аст. Дақиқии test-и CForest дар ҳамин шароити ғавғо то %94,85 ва RF то %90,15 паст мешавад. Ин нишон медиҳад, ки KCForest бахусус нисбат ба моделҳои муқоисавии ҷангалӣ зери ғавғо устувортар боқӣ мондааст.

Дар ин ҷо як ҷузъи муҳимро низ набояд нодида гирифт: Дар ҷадвали муҳити пурғавғо модели KELM бо дақиқии test-и %97,90 арзише баландтар аз KCForest медиҳад. ELM низ бо %97,00 ба KCForest хеле наздик аст. Аз ин рӯ, таҳқиқот набояд чунин хонда шавад, ки «KCForest дар ҳамаи алгоритмҳо ва дар ҳамаи шароитҳо мутлақан беҳтарин аст». Ифодаи дурусттар чунин аст: KCForest, махсусан дар муқоиса бо оилаи ҷангали каскадӣ ва ҷангали тасодуфӣ, аз ҷиҳати тобоварӣ ба ғавғо ва устуворӣ дар намунаҳои кам бартарии назаррас нишон медиҳад; моделҳои дигари ядроӣ ба монанди KELM низ дар санҷиши пурғавғо натиҷаи қавӣ додаанд.

Таҷрибаҳои намунаи кам чиро нишон медиҳанд?

Яке аз қисмҳои муҳимтарини таҳқиқот таҷрибаест, ки дар он шумораи намунаҳои омӯзишӣ кам карда шудааст. Таҷриба дар муҳити пурғавғои 20 dB гузаронида шудааст. Бо истифода аз ҳиссаҳои гуногуни маҷмӯаи омӯзишӣ баррасӣ шудааст, ки моделҳо бо маълумоти кам чӣ гуна рафтор мекунанд. Ҳиссаҳои намунаҳои омӯзишӣ аз %10 то %50 бо қадамҳои 5 банди фоизӣ зиёд карда шудаанд.

KCForest ҳатто ҳангоми хеле кам шудани намунаҳои омӯзишӣ дақиқии нисбатан баландро нигоҳ дошт. Вақте танҳо %10 намунаи омӯзишӣ истифода шуд, яъне мувофиқи таҳқиқот бо 80 намунаи омӯзишӣ, дақиқии validation-и KCForest %92,00 ва дақиқии test %90,25 гузориш шуд. Дар ҳамин шароит дақиқии test-и CForest %76,15 буд. Ин фарқ нишон медиҳад, ки сохтори қабатҳои ядрошуда ҳангоми якҷоя шудани маълумоти кам ва ғавғо метавонад нисбат ба ҷангали анъанавии каскадӣ сарҳадҳои устувортари қарор созад.

Вақте ҳиссаи намунаҳои омӯзишӣ ба %20 мерасад, дақиқии validation-и KCForest %94,17 ва test %94,05 мешавад. Дар ҳиссаи %45 намунаҳои омӯзишӣ KCForest дар маҷмӯаи test-и пурғавғо бо %95,60 ба баландтарин арзиши гузоришшуда мерасад. Дар муқобил, гуфта мешавад, ки CForest дар ҳамин минтақаҳо фаъолияти тағйирёбандатар нишон медиҳад.

Маънои амалии ин натиҷаҳо чунин аст: Дар саноат, вақте барои ҳар носозӣ ҷамъ кардани намунаҳои зиёд имконпазир нест, моделҳое, ки бо маълумоти кам устувор кор мекунанд, арзишмандтаранд. Ҳисоб кардани шабоҳати ядроӣ нисбат ба марказҳои синф дар KCForest метавонад дар шароити маълумоти кам масофаи байни синфҳоро равшантар кунад. Аммо ин тафсир ба шароити таҷрибавии таҳқиқот маҳдуд аст; барои мошинҳо, сенсорҳо ва намудҳои дигари носозӣ санҷиши дубора лозим аст.

Матритсаи иштибоҳ чиро нишон медиҳад?

Дар таҳқиқот барои KCForest матритсаи иштибоҳ дар шароити test-и беғавғо ва пурғавғо дода шудааст. Матритсаи иштибоҳ нишон медиҳад, ки модел кадом синфҳои воқеиро бо кадом синфҳои пешгӯишуда омехта мекунад. Ин гуна графикҳо аз танҳо дақиқии умумӣ маълумоти бештар медиҳанд; зеро ҳатто агар дақиқии умумӣ баланд бошад, баъзе намудҳои носозӣ метавонанд бештар аз дигарон омехта шаванд.

Дар муҳити беғавғо дида мешавад, ки модел умуман классификатсияи дуруст анҷом медиҳад. Барои ҳолати муқаррарии f1 баъзе намунаҳо бо f2, f3 ва f4 омехта шудаанд. Синфи f2 хеле равшан ҷудо шудааст. Дар синфи f3 баъзе намунаҳо бо f1 омехта шудаанд. Синфи f4 бошад, дар муҳити беғавғо ба таври равшан дуруст шинохта шудааст.

Дар муҳити пурғавғо омехташавии аз ҳама назаррас дар синфи f3 дида мешавад. Қисми назарраси намунаҳои f3, яъне сустшавии пояи муҳаррик, ҳамчун f1 — ҳолати муқаррарӣ — пешгӯӣ шудааст. Ин муҳим аст, зеро ҳатто бо дақиқии умумии баланд, шабеҳ кардани носозии сустшавӣ ба ҳолати муқаррарӣ метавонад барои бехатарии нигоҳдорӣ хатарнок бошад. Гарчанде таҳқиқот KCForest-ро ба ғавғо тобовар нишон медиҳад, омехташавии f3 равшан мекунад, ки модел комилан бе хато нест.

Ҷиҳатҳои қавӣ

• Тобоварӣ ба ғавғо: KCForest дар зери ғавғои 20 dB дақиқии test-ро танҳо 0,95 банди фоизӣ аз даст додааст.
• Фаъолият бо намунаҳои кам: Ҳатто бо %10 намунаи омӯзишӣ дақиқии test-и %90,25 гузориш шудааст.
• Асоси хусусиятҳои физикӣ: Модел ба ҷойи хусусиятҳои тасодуфӣ аз маълумоти хом, хусусиятҳои соҳаи басомади тавассути FFT гирифташударо истифода мебарад.
• Ҷудокунии ядроӣ: Шабоҳатҳои RBF ҳадаф доранд хусусиятҳои бештар ҷудокунандаро нисбат ба марказҳои синф тавлид кунанд.
• Амиқии мутобиқшавандаи модел: Механизми боздоштани барвақт ҳадаф дорад афзоиши нолозими қабатҳо ва хатари overfitting-ро кам кунад.
• Оптимизатсияи параметрҳо: Параметрҳои RBF бо PSO ба таври глобалӣ ҷустуҷӯ мешаванд; ин нисбат ба интихоби дастии параметр равиши низоммандтар аст.

Маҳдудиятҳо

• Ҳолати баррасии ҳамтоён: Таҳқиқот preprint-и аз баррасии ҳамтоён нагузашта мебошад. Аз ин рӯ, натиҷаҳо бояд эҳтиёткорона хонда шаванд.
• Як дастгоҳи санҷишӣ: Таҷрибаҳо бо як вентилятори мушаххаси киштӣ ва чор ҳолати мушаххаси корӣ анҷом дода шудаанд. Натиҷаҳоро мустақиман ба ҳамаи мошинҳои даврзананда умумӣ кардан мумкин нест.
• Шароити носозии симулятсияшуда: Таҳқиқот носозиҳои вентиляторро дар шароити сохташудаи дастгоҳи озмоишӣ меомӯзад; далели дарозмуддати истифодаи саҳроии воқеӣ пешниҳод намекунад.
• Модели маҳдуди ғавғо: Санҷиши ғавғо бо 20 dB Gaussian white noise анҷом дода шудааст. Ғавғои воқеии саноатӣ ҳамеша ба ин модел мувофиқ нест.
• Муқоисаи KELM: Дар test-и пурғавғо KELM бо дақиқии %97,90 аз KCForest натиҷаи баландтар додааст. Ин нишон медиҳад, ки KCForest дар ҳамаи муқоисаҳо пешсафи мутлақ нест.
• Омехташавии f3: Дар матритсаи иштибоҳи пурғавғо қисми намунаҳои сустшавии пояи муҳаррик бо ҳолати муқаррарӣ омехта шудааст.

Таҳқиқот чӣ мегӯяд ва чӣ намегӯяд?

Таҳқиқот чунин мегӯяд: Вақте харитасозии ядрои RBF, ки бо PSO оптимизатсия шудааст, ба сохтори ҷангали каскадӣ илова мешавад, он метавонад дар сигналҳои ларзиши мошинҳои даврзананда зери ғавғо ва шароити намунаҳои кам классификатсияи устувортари носозӣ таъмин кунад. Бахусус нисбат ба моделҳои ҷангалӣ ба монанди CForest ва RF, коҳиши фаъолият зери ғавғо маҳдудтар будааст.

Таҳқиқот чунин намегӯяд: Ин усул дар ҳамаи намудҳои мошинҳои даврзананда, ҳамаи ҷойҳои сенсор, ҳамаи намудҳои ғавғо ва шароити воқеии саҳро ҳамеша ҳамон муваффақиятро медиҳад. Ҳамчунин таҳқиқот исбот намекунад, ки усулро бевосита дар низомҳои тиҷоратии нигоҳдорӣ истифода бурдан мумкин аст ё барои мошинҳои киштӣ кафолати бехатарӣ медиҳад. Натиҷаҳо ба дастгоҳи озмоишӣ, маҷмӯаи маълумот, чор синфи носозӣ, хусусиятҳои FFT ва алгоритмҳои муқоисавии интихобшуда маҳдуданд.

Аҳамият аз нуқтаи назари гузашта, имрӯз ва оянда

Дар гузашта ташхиси носозӣ бештар ба таҷрибаи мутахассис, ҳадҳои меъёрӣ ва хусусиятҳои оддии оморӣ такя мекард. Ин равишҳо барои баъзе носозиҳои равшан кор мекарданд, аммо дар шароити мураккаб нокифоя мешуданд. Усулҳои омӯзиши мошинӣ барои пур кардани ин холигӣ рушд карданд, вале онҳо низ бо масъалаҳои ғавғо ва маълумоти кам рӯ ба рӯ мешаванд.

Имрӯз дар корхонаҳои саноатӣ, киштиҳо ва низомҳои энергетикӣ маълумоти сенсорҳо зиёд шуда истодааст. Аммо зиёд будани маълумот маънои зиёд будани маълумоти сифатноки нишондор барои носозиҳоро надорад. Хусусан барои носозиҳои нодир шумораи намунаҳо метавонад кам бошад. Аз ин рӯ, усулҳое, ки бо маълумоти кам кор карда, ба ғавғо тоб меоранд, арзиши амалӣ доранд.

Дар оянда чунин усулҳо метавонанд дар низомҳои predictive maintenance ба механизмҳои оқилонаи огоҳии барвақт саҳм гузоранд. Масалан, агар намунаи ларзиши вентилятори киштӣ оҳиста-оҳиста аз ҳолати муқаррарӣ дур шавад, низом метавонад ба гурӯҳи нигоҳдорӣ пешакӣ хабар диҳад. Аммо барои ин модел бояд дар киштиҳои гуногун, муҳаррикҳои гуногун, ҷойгиркунии гуногуни сенсор, борҳои гуногун ва маълумоти дарозмуддати саҳроӣ санҷида шавад.

Усул ва натиҷаҳои таҳқиқот

Ҷараёни усули техникӣ

1. Ҷамъоварии маълумот: Аз вентилятори киштӣ, ки бо муҳаррики асинхронии сефаза кор мекунад, маълумоти ларзиш ҷамъ оварда шудааст.
2. Синфҳои носозӣ: Чор синф муайян шудаанд — ҳолати муқаррарӣ, номувозинии парраи вентилятор, сустшавии пояи муҳаррик ва бандшавии вентилятор.
3. Коркарди сигнал: Сигналҳои ларзиш дар соҳаи вақт тавассути FFT ба соҳаи басомад табдил дода шудаанд.
4. Интихоби хусусият: Спектри амплитудаи FFT ҳамчун хусусият истифода шуда, ҷузъҳои басомади манфӣ хориҷ карда шудаанд.
5. Нормализатсия: Min-max normalization татбиқ шудааст, то ҷузъҳои гуногуни басомад муқоисашаванда гарданд.
6. Тақсими маълумот: Маълумот ба маҷмӯаҳои омӯзиш, validation ва test тақсим шудааст. Training set %20, validation set %30 ва test set %50 истифода шудаанд.
7. Оптимизатсияи PSO: Параметрҳои \(\gamma\), \(\omega\) ва \(c_w\)-и ядрои RBF бо particle swarm optimization ҷустуҷӯ шудаанд.
8. Омӯзиши KCForest: Дар ҳар қабат ду random forest ва ду completely random tree forest истифода шудааст.
9. Интиқол байни қабатҳо: Хусусиятҳои аслии FFT, хусусиятҳои ядрои RBF ва эҳтимолиятҳои синфии қабати қаблӣ муттаҳид шудаанд.
10. Боздоштани барвақт: Вақте дақиқии validation беҳтар нашуд, сохтори каскадӣ боздошта шуд.
11. Муқоиса: KCForest бо CForest, GNB, CART, RF, ELM, KELM ва DELM муқоиса шудааст.

Маълумоти таҷрибавӣ ва иттилооти ченкунӣ

Синфҳои носозӣ ва мушоҳидаҳои соҳаи басомад

Параметрҳои PSO ва RBF

Дақиқии классификаторҳо дар муҳити беғавғо

Ин ҷадвал нишон медиҳад, ки KCForest дар муҳити тоза фаъолияти қавӣ дорад; аммо дақиқии test-и CForest бо %98,25 каме баландтар аст ва RF низ ба ҳамон дақиқии test-и KCForest мерасад. Аз ин рӯ, саҳми асосии KCForest на бартарии мутлақ дар муҳити тоза, балки устуворӣ зери ғавғо ва намунаҳои кам мебошад.

Дақиқии классификаторҳо дар муҳити пурғавғои 20 dB

Ҷадвали муҳити пурғавғо нишон медиҳад, ки KCForest махсусан нисбат ба CForest ва RF камтар бад мешавад. Дақиқии test-и KCForest дар муҳити беғавғо %98,05 ва дар муҳити пурғавғо %97,10 аст. Ин коҳиши 0,95 банди фоизӣ нишон медиҳад, ки модел ба ғавғо устувор боқӣ мондааст. Коҳиши CForest 3,40 банди фоизӣ ва RF 7,90 банди фоизӣ мебошад. CART ва GNB зери ғавғо ба таври назаррас суст шудаанд.

Аммо дақиқии test-и KELM дар муҳити пурғавғо %97,90 аст ва аз натиҷаи %97,10-и KCForest баландтар мебошад. Аз ин рӯ, KCForest махсусан дар байни усулҳои ҷангалӣ аз ҷиҳати тобоварӣ ба ғавғо қавӣ менамояд, вале дар ҳамаи метрикаҳо ягона натиҷаи баландтаринро надодааст.

Натиҷаҳои намунаҳои кам

Ин натиҷаҳо нишон медиҳанд, ки KCForest ҳангоми якҷоя шудани маълумоти кам ва ғавғо нисбат ба сохтори анъанавии ҷангали каскадӣ устувортар аст. Тафсири таҳқиқот чунин аст, ки қабатҳои ядрошуда холигии тақсимоти байни синфҳоро васеъ карда, ба дарахтони қарор дар ёфтани нуқтаҳои боэътимоди тақсим кӯмак мекунанд.

Таъсири натиҷаҳо ба зиндагии ҳаррӯза ва саноат

Таъсири ғайримустақими ин таҳқиқот ба зиндагии ҳаррӯза бо ошкор кардани барвақти носозиҳо алоқаманд аст. Вақте вентилятори киштӣ, муҳаррики корхона ё таҷҳизоти даврзанандаи низоми энергетикӣ ногаҳон вайрон мешавад, на танҳо мошин меистад; бехатарӣ, вақт, хароҷот ва идомаи амалиёт низ таъсир мебинанд. Моделҳои устувортаре, ки аз маълумоти ларзиш носозиро ташхис мекунанд, метавонанд ба гурӯҳҳои нигоҳдорӣ барои дахолати саривақтӣ кӯмак кунанд.

Аз нуқтаи назари саноатӣ, чунин модел махсусан дар ҷойҳое арзишманд аст, ки маълумоти сенсор мавҷуд аст, аммо намунаҳои нишондори носозӣ каманд. Масалан, дар ҳар корхона ҳазорҳо намунаи кори муқаррарӣ вуҷуд дошта метавонад, аммо носозиҳое ба монанди бандшавии вентилятор ё сустшавии пояи муҳаррик кам сабт мешаванд. Фаъолияти KCForest дар шароити намунаҳои кам аз ҳамин ҷиҳат муҳим аст.

Бо вуҷуди ин, таҳқиқот далели истифодаи дарозмуддати саҳроиро дар корхонаи воқеӣ ё утоқи мошини киштии воқеӣ пешниҳод намекунад. Аз ин рӯ, усул бояд ҳамчун равиши эҳтимолии нигоҳдории оқилона баррасӣ шавад ва пеш аз истифода дар низомҳои муҳими бехатарӣ дар таҷҳизоти гуногун, борҳои гуногун ва муҳитҳои воқеии ғавғо санҷида шавад.

Ёддошт оид ба манбаъ ва усул

Ин мақола бар асоси таҳқиқоти “Fault Diagnosis Method for Rotating Machinery Based on Particle Swarm Optimization-Driven Kernelized Cascade Forest”, ки аз ҷониби Qinming Tan, Duankai Li, Jiawei Jiang ва KunXiang Ge омода шудааст, таҳия гардидааст. Таҳқиқот як мақолаи preprint дар SSRN мебошад. Азбаски дар матн ба таври равшан ибораи “This preprint research paper has not been peer reviewed” мавҷуд аст, он аз баррасии ҳамтоён нагузаштааст.

Усули тавсифшуда ба модели KCForest, оптимизатсияи PSO, харитасозии ядрои RBF, хусусиятҳои ларзиши FFT, дастгоҳи озмоишии вентилятори киштӣ, чор синфи носозӣ ва натиҷаҳои муқоисавии классификаторҳо такя мекунад. Иддаоҳои дар таҳқиқот мавҷуднабуда, аз қабили муваффақияти тиҷоратӣ, муваффақияти қатъии саҳроӣ, кафолати бехатарӣ ё умумият ба ҳамаи мошинҳои даврзананда илова карда нашудаанд.

Таҳқиқот дар дастгоҳи таҷрибавӣ анҷом дода шудааст. Маълумоти истифодашуда сигналҳои ларзиш аз вентилятори киштӣ мебошанд, ки бо муҳаррики асинхронии сефаза кор мекунад. Барои санҷиши тобоварӣ ба ғавғо ғавғои сафеди Gaussian дар сатҳи 20 dB SNR истифода шудааст. Ин маъно надорад, ки он ҳамаи намудҳои ғавғои воқеии саноатиро намояндагӣ мекунад. Ҳамчунин таҳқиқот иддао намекунад, ки санҷиши дарозмуддати саҳроиро дар утоқи мошини киштии воқеӣ пешниҳод кардааст.

Аз сабаби preprint будан, натиҷаҳо бояд эҳтиёткорона арзёбӣ шаванд. Модели KCForest, махсусан дар шароити ғавғо ва намунаҳои ками омӯзишӣ, натиҷаҳои умедбахш додааст; аммо барои намудҳои гуногуни таҷҳизот, ҷойгиркунии гуногуни сенсорҳо, синфҳои гуногуни носозӣ ва шароити воқеии саҳро санҷиши иловагӣ лозим аст.