Ushbu tadqiqot asinxron dvigatellardagi podshipnik nosozliklarini faqat bitta sensor signaliga tayanmasdan; tebranish, tok, kuchlanish, moment va aylanish tezligi ma’lumotlarini birgalikda baholash orqali tashxislash hamda dvigatelning buzilish jarayonini bashorat qilishni maqsad qiladi. Tadqiqotchilar 7,5 kW quvvatli uch fazali qisqa tutashgan rotorli asinxron dvigatelda sog‘lom holat, ichki halqa nosozligi, tashqi halqa nosozligi va separator shikastlanishi sharoitlarini besh xil yuk darajasida o‘rgangan. O‘lchangan signallardan 200 dan ortiq vaqt, chastota, garmonik, konvert, wavelet va MCSA asosidagi xususiyatlar ajratib olingan; korrelyatsiyaga yo‘naltirilgan xususiyatlarni birlashtirishdan so‘ng Random Forest, SVM, XGBoost va MLP klassifikatorlari taqqoslangan. Eng kuchli klassifikatorlar Random Forest va XGBoost bo‘lib, Random Forest %98,0 aniqlik, XGBoost esa %97,0 aniqlik ko‘rsatgan. Biroq natijalar nazorat qilinadigan tajriba qurilmasi va tadqiqotda yaratilgan ma’lumotlarni qayta ishlash zanjiri uchun amal qiladi; ish turli dvigatel turlari va uzoq muddatli real sanoat ekspluatatsiyasi sharoitlari uchun to‘g‘ridan-to‘g‘ri dala muvaffaqiyati dalilini bermaydi.

Ishning asosiy yangiligi faqat ko‘proq sensorlardan foydalanishda emas. Tadqiqotchilar sensorlardan chiqarilgan xususiyatlarning o‘zaro qanchalik bog‘liqligini Pearson korrelyatsiyasi, chastota sohasidagi coherence o‘lchovlari va xususiyat ahamiyati ma’lumotlari bilan baholab, ko‘proq farqlovchi birlashgan xususiyatlar fazosini yaratishni maqsad qilgan. Shunday qilib, bir xil fizik hodisani takrorlaydigan yuqori darajada bog‘langan xususiyatlar ta’siri kamaytirilishi, turli sensorlarning bir-birini to‘ldiruvchi axborot olib yuradigan xususiyatlari esa saqlanishi ko‘zlangan.

Tashxis bosqichiga qo‘shimcha ravishda tadqiqotda Degradation Index (DI), ya’ni Buzilish Indeksi deb ataluvchi 0 dan 1 gacha uzluksiz sog‘liq ko‘rsatkichi yaratilgan. DI past bo‘lganda tizim sog‘lom holatga, yuqori bo‘lganda esa jiddiyroq buzilishga mos keladi. Gaussian Process Regression (GPR) yordamida DI ning kelajakdagi rivojlanishi va Remaining Useful Life (RUL; qolgan foydali xizmat muddati) ehtimollik asosida bashorat qilinadi, shu bilan birga bashorat noaniqligi ham hisoblanadi.

Turkiya nuqtai nazaridan ish elektr dvigatellarining prognozli texnik xizmat ko‘rsatishi, ishlab chiqarish liniyalari, nasoslar, ventilyatorlar, konveyerlar va shunga o‘xshash aylanma mashina ilovalari uchun metodologik jihatdan e’tiborga loyiq yondashuvni taklif qiladi. Biroq tadqiqotdagi aniq chegaralar, sensor xatti-harakatlari va tasniflash muvaffaqiyati boshqa dvigatel quvvati, podshipnik turi, yuk profili, sensor joylashuvi va dala shovqiniga bevosita ko‘chirilmasligi kerak. Turkiyadagi real korxonalarda qo‘llashdan oldin mahalliy mashina va ish sharoitlariga ko‘ra qayta tekshirish zarur.

Tadqiqotning asosiy muammosi nima?

Asinxron dvigatellardagi podshipnik buzilishlari mexanik tebranishda yaqqol namoyon bo‘lishi mumkin, biroq nosozlik ta’siri faqat tebranish signalida qolmaydi. Xuddi shu mexanik buzilish tok garmoniklari, moment tebranishlari va tezlik o‘zgarishlarida ham iz qoldirishi mumkin. Bunga qarshi, bitta sensorga tayangan tashxis tizimlari shovqin, yuk o‘zgarishi yoki sensorning ma’lum nosozlikka past sezgirligi oldida zaif bo‘lishi mumkin.

Tadqiqot nishonga olgan bo‘shliq aynan shu nuqtada: turli fizik sohalarni o‘lchaydigan sensor ma’lumotlarini shunchaki yonma-yon qo‘shish o‘rniga, ushbu signallar orasidagi statistik va spektral munosabatlardan foydalanib qaysi xususiyatlar haqiqatan ham tashxisiy axborot tashishini aniqlaydigan birlashtirish mexanizmini yaratish.

Ko‘p sensorli tizim qaysi ma’lumotlardan foydalanadi?

Tajriba qurilmasida beshta asosiy fizik kattalik birgalikda baholangan:

• Tebranish: Kistler 8763B IEPE uch o‘qli akselerometr.
• Tok va elektr kattaliklar: Dewetron ko‘p kanalli ma’lumot yig‘ish tizimi.
• Moment: HBK T22 moment o‘zgartirgichi.
• Aylanish tezligi: DT-2234C+ takometr.
• Kuchlanish: elektr ma’lumot kanallaridan olingan kuchlanish signallari.

Tadqiqotda 0, %25, %50, %75 va %100 nominal yukdan iborat beshta ish sharoiti qo‘llangan. O‘rganilgan to‘rtta sog‘liq holati Healthy, Inner-Race, Outer-Race ve Damage sifatida belgilangan.

Tajriba uchun ishlatilgan dvigatel va podshipnik

Podshipnik 40 mm ichki diametr, 80 mm tashqi diametr va 18 mm kenglikka ega 6208-ZZ chuqur ariqchali sharikli podshipnikdir. Tadqiqotchilar ichki halqa, tashqi halqa va separator/shikast holatlarining tebranish hamda elektr signallariga turlicha ta’sirini baholagan.

Ma’lumotlarni qayta ishlash zanjiri qanday ishlaydi?

Xom signallar avval Savitzky–Golay silliqlash va polosali filtrlash bilan qayta ishlangan. Metodologiya signallar 5–20 kHz oralig‘idagi yuqori namuna olish tezliklarida olinganini, keyin 1 soniyalik va %50 ustma-ust tushuvchi oynalarga ajratilganini bildiradi.

Savitzky–Golay jarayonida silliqlangan signal:

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

ko‘rinishida ifodalanadi. Bu yerda \(x(t)\) xom signalni, \(c_k\) filtr koeffitsientlarini va \(m\) oyna kattaligini ifodalaydi.

Sensorlarning birliklari va kattaliklari bir-biridan farq qilgani uchun Z-score normallashtirish qo‘llangan:

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

Bu yerda \(\mu\) signal o‘rtachasi, \(\sigma\) standart og‘ish va \(\hat{x}(t)\) normallashtirilgan qiymatdir.

Qaysi xususiyatlar ajratib olindi?

Tadqiqot har bir vaqt oynasida 200 dan ortiq xususiyat hosil qilgan. Bular RMS, peak-to-peak qiymat, qiyshiklik, kurtosis, crest factor, FFT komponentlari, spektral energiya, spektral entropiya, konvert tahlili, wavelet xususiyatlari, garmoniklar, slip bilan bog‘liq parametrlar va Motor Current Signature Analysis (MCSA) xususiyatlarini qamrab oladi.

Masalan, RMS:

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

sifatida hisoblanadi. Chastota sohasida esa diskret Fourier o‘zgartirishi:

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

bilan ifodalangan. Podshipnik nosozliklarini o‘rganishda BPFI, BPFO, BSF va FTF kabi xarakterli chastota sohalaridan foydalaniladi.

Korrelyatsiyaga yo‘naltirilgan birlashtirish nima qiladi?

Pearson korrelyatsiya koeffitsienti ikki xususiyat orasidagi chiziqli bog‘liqlik kuchini o‘lchaydi:

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

Chastota sohasidagi bog‘liqlik esa coherence orqali:

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

ko‘rinishida baholangan. Bu yerda \(S_{xy}\) o‘zaro quvvat spektral zichligini, \(S_{xx}\) va \(S_{yy}\) esa tegishli signallarning quvvat spektral zichliklarini ifodalaydi.

Tadqiqotdagi sensor guruhlari korrelyatsiyalari muhim nuqtani ko‘rsatadi: tok bilan moment orasida +0,91 darajasida kuchli musbat bog‘liqlik mavjud bo‘lsa, tok bilan tezlik orasida −0,96, moment bilan tezlik orasida −0,89 darajasida kuchli teskari bog‘liqlik mavjud. Tebranish va kuchlanish esa boshqa guruhlarga nisbatan pastroq korrelyatsiya ko‘rsatib, bir-birini to‘ldiruvchi axborot tashiydi.

Manbada berilgan og‘irliklash tenglamasi:

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

ko‘rinishidadir. Tadqiqotda tanlangan parametrlar \(\alpha=0,35\), \(\beta=0,30\), \(\eta=0,20\) va \(\gamma=0,15\) sifatida hisobot qilingan. Keyin og‘irliklangan xususiyatlar:

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

ko‘rinishida birlashtirilgan.

Manba ichidagi muhim izoh: Tadqiqotning annotatsiya va kirish bo‘limlarida birlashtirish arxitekturasida mutual information ham asosiy tarkibiy qismlardan biri sifatida bayon qilinadi. Biroq yuqorida berilgan matematik ifoda Pearson korrelyatsiyasi, coherence va SHAP hadlarini aniq ko‘rsatadi; mutual information uchun alohida had ko‘rsatilmagan. Bundan tashqari \(\gamma\) tenglamada daraja sifatida ishlatilgan bo‘lsa-da, matnning bir qismida og‘irlik giperparametrlari yig‘indisiga kiritilgan. Shu sababli formula bilan og‘zaki usul tavsifi o‘rtasida to‘liq bir ma’nolilik yo‘q.

200 dan ortiq xususiyat qanday qisqartirildi?

Birlashtirishdan so‘ng Principal Component Analysis (PCA) qo‘llangan. Tadqiqotchilar 27 ta asosiy komponent umumiy dispersiyaning taxminan %95,8 ini saqlaganini bildiradi. Maqsad yuzlab xususiyatlar tashigan axborotning katta qismini saqlagan holda hisoblash yukini va xususiyat takrorlanishini kamaytirishdir.

Sinf nomutanosibligi uchun faqat o‘qitish ma’lumotlariga SMOTE qo‘llangan. Tadqiqotda sog‘lom sinf taxminan 2100 ta namunani, nosozlik sinflari esa taxminan 700–750 ta namunani o‘z ichiga olgani; SMOTE dan keyin har bir o‘qitish sinfi taxminan 2100 ta namunagacha yetkazilgani qayd etiladi.

Tasniflashda qaysi model muvaffaqiyatliroq?

Random Forest eng yuqori umumiy aniqlikni ta’minlagan. XGBoost juda yaqin ikkinchi o‘rinda. SVM o‘rtacha darajada, MLP esa ushbu tajribada sezilarli darajada pastroq natija ko‘rsatgan.

Wilcoxon signed-rank testi Random Forest va XGBoost ning SVM hamda MLP ga nisbatan kuzatilgan ustunliklari cross-validation qatlamlari bo‘ylab statistik jihatdan ahamiyatli ekanini ko‘rsatgan. Random Forest bilan XGBoost orasidagi farq esa \(p=0,084\) bo‘lib, tadqiqot qo‘llagan \(p<0,05\) chegarasida ahamiyatli emas.

Buzilish Indeksi qanday yaratiladi?

Tadqiqotda alohida nosozlik sinflaridan tashqariga chiqish uchun uzluksiz Buzilish Indeksi aniqlangan:

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

Bu yerda \(w_i\) i-chi tashxisiy xususiyat og‘irligini, \(\hat{f}_i(t)\) normallashtirilgan xususiyat qiymatini va \(M\) ishlatilgan xususiyatlar sonini bildiradi. DI 0 dan 1 gacha normallashtirilgan.

• 0 ≤ DI < 0,3: Normal zona
• 0,3 ≤ DI < 0,7: Chegaraviy zona
• 0,7 ≤ DI ≤ 1: Kritik zona

Shikast sinfida o‘rtacha DI qiymati yuk oshgani sari 0,75 dan 0,95 gacha ko‘tarilgan. Tashqi halqa nosozligida esa 0,58 dan 0,77 gacha oshgan. Ichki halqa sinfida qiymatlar 0,51–0,70 oralig‘ida. Sog‘lom holat umuman past bo‘lib qolgan bo‘lsa-da, %75 yukda 0,31 va %100 yukda 0,25 qiymatlari kuzatilgan; shu sababli yuk bilan DI o‘rtasidagi bog‘liqlik har bir sinfda mukammal monoton emas.

Gaussian Process Regression nima uchun ishlatilgan?

GPR faqat bitta bashorat qiymatini emas, bashorat noaniqligini ham hosil qiladi. Tadqiqotda posterior o‘rtacha:

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

va bashorat dispersiyasi:

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

ko‘rinishida ifodalangan. \(K\) o‘qitish nuqtalari orasidagi kovariatsiya/kernel matritsasini, \(\sigma_n^2\) shovqin dispersiyasini va \(y\) kuzatilgan maqsad qiymatlarini bildiradi.

Ma’lum kelajakda DI ning nosozlik chegarasi \(\tau\) dan oshish ehtimoli:

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

bilan hisoblanadi. Shunday qilib tizim faqat “nosoz/sog‘lom” shaklida emas, balki buzilish yo‘nalishi, qolgan xizmat muddati va bashorat noaniqligi birgalikda hisobga olinib baholanadi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• Ko‘p sensorlardan hosil qilingan xususiyatlarni korrelyatsiyaga yo‘naltirilgan tarzda og‘irliklash tadqiqotning tajriba ma’lumotlar to‘plamida sinflar ajralishini kuchaytirgan.
• Random Forest va XGBoost ushbu ma’lumotlar to‘plamida SVM va MLP ga qaraganda yuqoriroq tasniflash natijasini ko‘rsatgan.
• Random Forest aniqligi 0,980, XGBoost aniqligi 0,970 sifatida qayd etilgan.
• RF bilan XGBoost orasidagi ishlash farqi qo‘llangan Wilcoxon testida statistik jihatdan ahamiyatli emas.
• DI sog‘lom va og‘irroq shikastlangan holatlarni uzluksiz shkala bo‘yicha ajrata oladi.
• Yuqoriroq DI qiymatlari tadqiqot natijalarida umuman pastroq taxminiy RUL bilan bog‘liq.
• GPR nuqta bashoratiga qo‘shimcha ravishda noaniqlik axborotini taqdim eta oladi.

Tadqiqot isbotlamaydigan natijalar

• Ushbu tadqiqot barcha asinxron dvigatellarda %98 tashxis muvaffaqiyatini kafolatlamaydi.
• Natijalarni turli quvvat sinflari, podshipnik turlari yoki fabrikalardagi barcha ish sharoitlariga bevosita umumlashtirib bo‘lmaydi.
• Tadqiqot uzoq muddatli real zavod parkida nosozliklarning oldini olish darajasini o‘lchamagan.
• RUL natijalari har qanday dvigatel uchun soat, kun yoki oy ko‘rinishida universal qolgan xizmat muddatini to‘g‘ridan-to‘g‘ri bermaydi.
• Tadqiqot rotor sterjeni nosozligi, stator chulg‘ami nosozligi, eksantriklik va barcha mexanik nosozlik turlarini tajribaviy tasdiqlamagan.
• Yuqori tasniflash aniqligining o‘zi real dalada ayni natija saqlanishini isbotlamaydi.

Tadqiqotning muhim cheklovlari

Tadqiqotchilar kattaroq va realistikroq sanoat ma’lumotlar to‘plamlarida tekshirish zarurligini aniq ta’kidlaydi. O‘rganilgan nosozlik guruhlari cheklangan va uzoq muddatli yozuvlarni qamrab oluvchi kengroq tajribalar kerak. GPR ning yuqori o‘lchamli ma’lumotlardagi hisoblash xarajati real vaqt ilovalarida masshtablanuvchanlik muammosini keltirib chiqarishi mumkin. Tadqiqotchilar shuningdek attention/Transformer asosidagi birlashtirish, sparse Gaussian process, fizikaga asoslangan modellar, domain adaptation va edge/embedded ilovalarni kelajakdagi rivojlantirish yo‘nalishlari sifatida ko‘rsatadi.

Manba ichidagi metodologik izchillik izohi: Annotatsiya bo‘limida ma’lumotlarni ajratish “time-aware” ekani va temporal leakage ni oldini olishi aytiladi. Bunga qarshi usul bo‘limida 70/30 o‘qitish-test ajratilishi va o‘qitish ma’lumotlarining tasodifiy 10 fold ga bo‘linishi tavsiflangan. Bu ikki bayonning amaliy tafsilotlari manbada to‘liq muvofiqlashtirilmagan. Shu sababli vaqtga bog‘liq ma’lumot sizib chiqishi qaysi aniq protsedura bilan oldini olingani manba matnidan bir ma’noli tarzda chiqarib bo‘lmaydi.

Tadqiqotning Usuli va Topilmalari

Tajriba va ma’lumot yig‘ish sharoitlari

Signalni qayta ishlash topilmalari

Manba tadqiqotining 19–23-sahifalaridagi xom va filtrlangan signal grafiklarida yuk darajasi hamda nosozlik sinfiga bog‘liq tok, tebranish, moment va tezlik xatti-harakatlari taqqoslangan. Ayniqsa filtrlash tezlik va moment signallaridagi standart og‘ishni sezilarli kamaytirgan. Masalan, Damage-Speed uchun standart og‘ish kamayishi %89,10, Healthy-Speed uchun %88,56, InnerRace-Speed uchun %87,94 va OuterRace-Speed uchun %87,62 sifatida berilgan. Moment signalidagi kamayish esa sinfga qarab taxminan %48–55 oralig‘ida.

Bunga qarshi ayrim tok signallarida “Avg_Std_Reduction_Percent” qiymatlari biroz manfiy qayd etilgan. Shu sababli filtrlash barcha sensorlarda standart og‘ishni kamaytiradigan bir yo‘nalishli ta’sir ko‘rsatadi, deb bo‘lmaydi.

Birlashtirishdan oldin va keyin xususiyatlar fazosi

Tadqiqotdagi t-SNE vizualizatsiyalarida Healthy va Outer-Race sinflari birlashtirishdan oldin ham nisbatan yaxshi ajralgan. Ajratilishi qiyinroq Inner-Race va Damage klasterlari esa birlashtirishdan keyin tartibliroq va ixchamroq bo‘lgan. Bu vizual topilma birlashtirish ayniqsa bir-biriga yaqin nosozlik sinflaridagi farqlanuvchanlikni yaxshilagani haqidagi tasniflash natijalariga mos keladi.

Random Forest va XGBoost nega ajralib chiqdi?

Random Forest va XGBoost ning accuracy, precision, recall va F1 ko‘rsatkichlari bir-biriga yaqin va yuqori. Tadqiqotning confusion matrix larida Random Forest Healthy, Inner-Race va Outer-Race sinflarini juda kuchli ajratgan; qolgan asosiy chalkashlik Damage bilan Inner-Race o‘rtasida yuzaga kelgan. XGBoost ham shunga o‘xshash kuchli natijalar ko‘rsatgan.

SVM-RBF ko‘proq sinf chalkashligini ko‘rsatgan bo‘lsa, MLP ayniqsa Damage va Outer-Race ni ajratishda zaifroq qolgan. ROC natijalari ham ayni tartibni qo‘llab-quvvatlaydi.

DI va RUL birgalikda nimani ko‘rsatadi?

DI oshgani sari tadqiqotdagi RUL bashoratlari umuman kamayadi. Sog‘lom sinf eng past DI va eng yuqori RUL hududida, Damage sinfi esa eng yuqori DI va eng past RUL hududida. Inner-Race va Outer-Race shu ikki chekka orasida joylashgan.

Manbada berilgan vaqt qatori misollarida %100 yukdagi Healthy sharoitining DI si past va nisbatan barqaror bo‘lib qolsa, Damage sharoitida DI yuqori darajaga qarab ko‘tariladi, RUL kamayadi va hisoblangan xavf oshadi. Tadqiqotchilar ushbu bog‘liqlikni buzilishni uzluksiz kuzatish mumkinligiga doir asosiy prognostik topilma sifatida talqin qilgan.

Ilmiy talqin chegarasi

Bu natijalar nazorat qilinadigan tajribaviy sensor ma’lumotlari bilan o‘qitilgan va baholangan ma’lumotga asoslangan ramkaga tegishli. Tadqiqot usul real zavodning turli marka, quvvat, podshipnik, yuk, harorat, montaj va shovqin sharoitlarida ayni aniqlikda ishlashini ko‘rsatmaydi. Real dala qo‘llanilishi uchun mashinaga xos qayta o‘qitish, chegara kalibrlashi va uzoq muddatli tekshirish zarur.

Manba va Usul Izohi

Asl tadqiqotning to‘liq nomi: Correlation-Driven Multisensory Fusion for Intelligent Fault Analysis in Induction Motors

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

Mualliflar tartibi: Manbada berilgan tartib aynan saqlangan.

Teng hissa/teng birinchi muallif: Manbada teng hissa yoki teng birinchi mualliflik bayonoti ko‘rsatilmagan.

Mas’ul muallif: Karolina Kudelina.

Muassasalar:

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

Jurnal: Machines.

Nashriyotchi: MDPI, Basel, Switzerland.

Jild/son/maqola raqami: 14(6), 606.

DOI: 10.3390/machines14060606.

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi.

Topshirilgan: 25 Aprel 2026.

Qayta ko‘rib chiqilgan: 25 May 2026.

Qabul qilingan: 26 May 2026.

Nashr qilingan: 28 May 2026.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan.

Ma’lumotlar mavjudligi: Mualliflar asl hissaning maqola ichida ekanini, qo‘shimcha savollar mas’ul muallifga yo‘naltirilishi mumkinligini bildirgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bayon qilgan.

Muallif hissalari: Konseptuallashtirish V.I.V.; usul V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. va T.S.K.; dasturiy ta’minot V.I.V.; tekshirish V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. va T.S.K.; formal tahlil V.I.V.; tadqiqot V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. va T.S.K.; ma’lumotlarni kuratsiya qilish V.I.V.; dastlabki qo‘lyozma V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. va T.S.K.; ko‘rib chiqish/tahrirlash K.K., D.E.E. va T.S.K.; vizualizatsiya V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. va T.S.K.; nazorat K.K. va T.S.K.

Rasmiy nashr qaydi: MDPI Machines, Volume 14, Issue 6, Article 606; DOI ro‘yxat raqami yuqorida berilgan.

Ushbu Verianla izohi ilmiy jihatdan faqat ko‘rib chiqilgan tadqiqotning usuli, formulalari, jadvallari, rasmlari va natijalariga asoslanadi. Tashqi tekshiruv faqat bibliografik identifikatsiya, nashr holati va litsenziyani tekshirish uchun qo‘llangan; asosiy ilmiy mazmunga tashqaridan tajribaviy topilma qo‘shilmagan.

Manba ichidagi nomuvofiqliklar: (1) Annotatsiyadagi “time-aware data splitting” iborasi bilan usul bo‘limidagi 70/30 va tasodifiy 10-fold izohi to‘liq mos kelmaydi. (2) Birlashtirish arxitekturasida mutual information og‘zaki ravishda ta’kidlangan bo‘lsa-da, berilgan og‘irliklash tenglamasida buning alohida aniq hadi ko‘rinmaydi. (3) Ba’zi oraliq usul tavsiflarida sensor o‘zgaruvchilari nomlanishi asosiy tajribada ishlatilgan tok, tezlik, moment, tebranish va kuchlanish guruhlariga to‘liq mos emas. (4) Giperparametr optimallashtirish bir joyda grid-search va cross-validation orqali tushuntirilsa, keyingi paragrafda Adam “asosiy optimallashtirish algoritmi” sifatida ta’riflanadi. Bu nuqtalar manbada qanday bo‘lsa shunday saqlangan, Verianla matnida uydirma aniqlik bilan bartaraf etilmagan.

Tadqiqot muhim tajribaviy va ma’lumotga asoslangan tekshiruvni taqdim etsa-da, ancha keng dvigatel parklari, qo‘shimcha nosozlik turlari, uzoq muddatli dala yozuvlari va o‘zgaruvchan real sanoat sharoitlarida qo‘shimcha tekshiruv talab etiladi.