Tadqiqotda taklif qilingan dvigatel ishlab chiqarish sifatini bashorat qilish doirasi turli xil ishlab chiqarish sensorlaridan keladigan 12.000 dan ortiq parametrni qayta ishlab, nuqsonli dvigatellarni tasniflash va dvigatel unumdorligini uzluksiz bashorat qilish uchun mo‘ljallangan, edge qurilmalarda ishlay oladigan birlashtirilgan mashinaviy o‘rganish tizimidir. Arxitektura uchta markaziy komponentdan foydalanadi: yuqori o‘lchamli va shovqinli sensor ma’lumotlarini siqadigan Sparse Autoencoder (SAE), kam sonli nuqsonli namunalarni samaraliroq aniqlashni ko‘zlaydigan Class-Specific Weighted Ensemble (CSWE) va turli dvigatel ish rejimlari uchun turli regressiya ekspertlaridan foydalanadigan Adaptive Regime-Switching Regression (ARSR). Tizim uchta ommaviy ma’lumotlar to‘plamida va haqiqiy H4 dvigatel yig‘ish liniyasida baholangan. Sanoat qo‘llanmasida nuqsonni aniqlash Recall ko‘rsatkichi %69,20 dan %76,92 gacha oshgan, o‘rtacha inferensiya kechikishi 80 ± 3 ms bo‘lgan va uch oylik pilot davrida dvigatelni ta’mirlash/qayta ishlash ulushida %7,2 kamayish qayd etilgan. Biroq %76,92 Recall mualliflar sifat kafolati uchun ideal deb ko‘rsatgan >%95 maqsaddan past; bundan tashqari, bir modalli jadval ko‘rinishidagi sensor ma’lumotlari mikroskopik tuzilmaviy anomaliyalarni to‘liq aniqlay olmaydi.

Tadqiqotning asosiy muhandislik muammosi avtomobil dvigateli yig‘ish liniyalarida sensor ma’lumotlari nafaqat katta hajmli, balki fizik jihatdan ham geterogen ekanidir. Burash momenti, aylanish burchagi, dvigatel aylanish tezligi, harorat, bosim va sizib chiqish kabi kattaliklar turli shkalalarda o‘lchanadi; sensorlarda elektromagnit xalaqit, yetishmayotgan ma’lumotlar, yuqori korrelyatsiya va ish fazalariga bog‘liq statistik o‘zgarishlar mavjud. Bundan tashqari, nuqsonli dvigatellar soni normal dvigatellar soniga nisbatan juda kam. Bunday sharoitlar umumiy aniqligi yuqori, ammo haqiqiy nuqsonlarning muhim qismini o‘tkazib yuboradigan modellarni yuzaga keltirishi mumkin.

Tadqiqot bu muammolarni bitta og‘ir chuqur o‘rganish modeli bilan hal qilish o‘rniga vazifalarni ajratadi. Birinchi bosqichda SAE umumiy yashirin xususiyatlar fazosini yaratadi. So‘ng tasniflash vazifasida CSWE har bir bazaviy tasniflagichning muayyan nuqson sinflaridagi kompetensiyasiga qarab vaznli ovoz berishdan foydalanadi. Regressiya vazifasida ARSR bitta global regressiya funksiyasi o‘rniga turli ish rejimlariga mos mahalliy ekspertlardan foydalanadi. Ommaviy benchmarklarda rejimlar SAE yashirin xususiyatlari ustida K-Means yordamida aniqlansa, haqiqiy ishlab chiqarish liniyasidagi edge versiyada hisoblash xarajatini kamaytirish uchun Start-up, High-speed va Idle rejimlari bevosita RPM chegaralari bilan yo‘naltirilgan.

Dvigatel ishlab chiqarish sifatini bashorat qilish nega qiyin?

Zamonaviy dvigatel yig‘ish liniyasida sifat haqidagi ma’lumot bitta sensordan kelmaydi. Ishlab chiqarishning turli stansiyalarida boltlarni tortish momenti, aylanish burchagi, geometrik tirqishlar, germetiklik, bosim, oqim, dvigatel aylanish tezligi, harorat va ECU parametrlari kabi minglab o‘zgaruvchilar hosil bo‘ladi. Manba tadqiqotidagi sanoat ma’lumotlar bazasi OP10 dan OP130 gacha bo‘lgan ishlab chiqarish stansiyalarini qamrab oladigan uch asosiy fizik ma’lumot sohasida tashkil etilgan: jarayon ma’lumotlari, sifat ma’lumotlari va unumdorlik ma’lumotlari.

Tortish stansiyalaridagi mexanik signallar 5 Hz namuna olish chastotasida qayd etilgan. EOL unumdorlik stendidagi ma’lumotlar esa dvigatelning funksional holatini ifodalovchi aylanish tezligi va moment kabi o‘zgaruvchilarni o‘z ichiga oladi. Engine ID turli stansiyalardan kelgan barcha yozuvlarni ayni bir fizik dvigatel bilan bog‘laydigan asosiy kalitdir.

Ma’lumotlar vaqt chizig‘i qanday qayta tiklandi?

Xom yozuvlar Engine ID → Category/Workstation → Inspection Time iyerarxiyasi bo‘yicha tartiblangan. Shu tariqa bir xil dvigatelga tegishli turli ishlab chiqarish stansiyalaridagi sensor o‘lchovlari xronologik yig‘ish trayektoriyasiga aylantirilgan.

Nuqson tasnifidagi Pass/Fail yorliqlari hamda regressiya uchun qo‘llangan RPM/Torque maqsadlari sertifikatlangan EOL sinov stendidan olingan. Qaror chegarasiga yaqin ayrim namunalar tajribali sifat muhandislari tomonidan qo‘lda qayta ko‘rib chiqilgan.

Yetishmayotgan va shovqinli ma’lumotlar qanday qayta ishlangan?

Oldindan qayta ishlash bir vaqtning o‘zida to‘rtta operatsiyadan iborat bo‘lgan:

1. Chetdagi qiymatlarni olib tashlash,
2. Yetishmayotgan qiymatlarni sonli interpolatsiya bilan to‘ldirish,
3. Silliqlash filtrlari bilan shovqinni kamaytirish,
4. Fizik shkalalarni standartlashtirish.

Biror sensor kanali yoki namunada yetishmayotgan ma’lumotlar ulushi %30 dan oshganda tegishli ma’lumot olib tashlangan. Bu chegara faqat empirik filtr sifatida qoldirilmagan, balki tadqiqot doirasida fizik jihatdan ham muhokama qilingan. 5 Hz namuna olishda ketma-ket nuqtalar taxminan 0,2 s oralig‘ida joylashadi. %30 dan katta yo‘qotish ayrim ish oynalarida taxminan 0,8-1,0 s davom etadigan ko‘r zonalarni hosil qilishi mumkin. Muhim mexanik o‘tishlar taxminan 1,5-2,0 s kabi tor oynalarda yuz berishi hisobga olinsa, bunday yo‘qotish haqiqiy dinamik imzoni yo‘qotishi mumkin.

Mualliflar chegara ancha qat’iy, masalan <%10 qilinsa, og‘ir sanoat muhitida yig‘ilgan namunalarning %40 dan ko‘prog‘i tashlab yuborilishi mumkinligini ta’kidlaydi. Bunday filtrlash nafaqat o‘qitish hajmini kamaytiradi, balki modelning faqat ideal sensor sharoitlarini ko‘rishiga va haqiqiy ishlab chiqarishdagi shovqinli nuqson namunalarini o‘rganolmasligiga olib kelishi mumkin.

Sparse Autoencoder Ushbu Tadqiqotda Nima Vazifa Bajaradi?

Sparse Autoencoder (SAE) turli shkalalardagi va 12.000 dan ortiq parametrni o‘z ichiga olgan sensor ma’lumotlarini past o‘lchamli yashirin tasvirga siqish bilan birga, siyraklik jazosi orqali uzluksiz bo‘lmagan yoki axborot tashimaydigan sensor shovqinini bostirish uchun ishlatiladigan nochiziqli xususiyat ajratib olish komponentidir.

PCA Whitening va standartlashtirish

Sanoat sensor ma’lumotlarida moment va bosim kabi o‘zgaruvchilar o‘rtasida kuchli ko‘p chiziqli bog‘liqlik bo‘lishi mumkinligi sababli, tadqiqot sanoat ma’lumotlari uchun PCA Whitening dan foydalangan:

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

Bu yerda \(X\) kirish matritsasi, \(\mu\) o‘qitish ma’lumotlaridan hisoblangan o‘rtacha qiymat, \(U\) xos vektorlar matritsasi, \(\Lambda\) xos qiymatlar matritsasi, \(I\) birlik matritsa va \(\epsilon\) sonli barqarorlik hadidir. Transformatsiya o‘zgaruvchilar dispersiyasini masshtablash bilan birga korrelyatsiya tuzilmasini ham ajratishni ko‘zlaydi.

AI4I, SECOM va C-MAPSS kabi o‘lchami pastroq benchmark ma’lumotlarida ma’lumot tuzilmasiga qarab Z-Score yoki Min-Max masshtablash qo‘llangan. Ma’lumot sizib chiqishiga qarshi eng muhim chora — standartlashtirish statistikasi va SAE og‘irliklarini faqat yorliqlanmagan o‘qitish ma’lumotlaridan o‘rganish va validatsiya hamda test namunalariga aynan shu muzlatilgan transformatsiyani qo‘llashdir.

SAE ning yo‘qotish funksiyasi

Manbada berilgan birlashtirilgan SAE maqsad funksiyasi:

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

Birinchi had kirish signalini qayta tiklash xatosi bo‘lib, asosiy axborotni saqlashni ko‘zlaydi. Ikkinchi had \(\lambda\) bilan vaznlangan L2 og‘irlik jazosi bo‘lib, model murakkabligini cheklaydi. Uchinchi had \(\beta\) bilan vaznlangan siyraklik jazosi. \(KL(\rho\|\hat{\rho}_j)\) yashirin birlikning o‘rtacha faolligi \(\hat{\rho}_j\) ni past maqsadli faollik \(\rho\) ga yaqinlashtiradi.

Bu tuzilma SAE ga nafaqat o‘lchamni kamaytirish, balki doimiy ravishda faol bo‘lmaydigan va axborot tashimaydigan yashirin xususiyatlarni bostirish imkonini beradi. Tadqiqot tarmoq parametrlarini L-BFGS (Limited-memory Broyden-Fletcher-Goldfarb-Shanno) algoritmi bilan optimallashtirgan.

Noise-Aware Residual Fusion

Chuqur siqish yuqori chastotali haqiqiy fizik tafsilotlarning bir qismini ham yo‘qotishi mumkinligi sababli, manbada shartli xom-signal qoldiq ulanishi qo‘llangan:

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

\(\gamma\in\{0,1\}\) ikkita ish rejimini tanlaydi.

• Mode I, \(\gamma=0\): Juda yuqori o‘lchamli va shovqinli sanoat ma’lumotlarida faqat SAE yashirin xususiyatlari ishlatiladi. Maqsad o‘lcham va shovqinni imkon qadar kamaytirishdir.
• Mode II, \(\gamma=1\): O‘lchami pastroq va toza benchmark ma’lumotlarida standartlashtirilgan xom xususiyatlar bilan SAE xususiyatlari birgalikda ishlatiladi.

Manba bu qarorni signal-shovqin nisbati va kirish o‘lchamining birgalikdagi ta’siri bilan bog‘laydi. Sanoat tizimida \(N_{in}\) taxminan 10.000 yoki undan yuqori bo‘lgani uchun haqiqiy edge deployment \(\gamma=0\) rejimida ishlatilgan.

Dvigatel ish rejimlarini ajratish

Dvigatelning EOL sinov sikli uchta fizik rejimga ajratilgan:

• Start-up Phase (SUP): tez va taxminan chiziqli tezlanish,
• High-Speed Phase (HSP): yuqori chastotali va ko‘proq nochiziqli dinamika,
• Idle Phase (IP): past amplitudali, barqaror ishlash.

Bu fazalar orasidagi o‘tish hududlari sinov stendi va dvigatel birgalikda hosil qiladigan yuqori o‘tkinchi shovqinning sifat imzosini buzmasligi uchun baholashdan chiqarib tashlangan. Manbaning 11. sahifasidagi 5-rasm uzluksiz aylanish tezligi profilini va SUP-HSP-IP chegaralarini aniq ko‘rsatadi.

ARSR Nega Bitta Regressiya Modelidan Foydalanish O‘rniga Bir Nechta Ekspertdan Foydalanadi?

Adaptive Regime-Switching Regression (ARSR) Start-up, High-speed va Idle kabi statistik tuzilmalari turlicha bo‘lgan dvigatel rejimlarini bitta global funksiyaga majburlash o‘rniga, har bir rejim uchun validatsiya xatosi eng past bo‘lgan mahalliy regressiya ekspertini tanlash uchun ishlab chiqilgan.

Umumiy ARSR arxitekturasi

Ommaviy benchmarklarda ARSR SAE yashirin fazosida K-Means yordamida rejimlarni yorliqsiz tarzda aniqlaydi:

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

Har bir klaster uchun LR, SVR, XGBoost va GBR kabi turli induktiv moyilliklarga ega modellardan ekspertlar havzasi yaratiladi. Rejim \(C_k\) uchun tanlangan model:

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

ko‘rinishida aniqlanadi. Ya’ni algoritm nomi oldindan qat’iy belgilanmagan; qaysi nomzod model tegishli rejimda validatsiya xatosini minimumga tushirsa, o‘sha ekspert ishlatiladi.

Haqiqiy zavodda K-Means nega ishlatilmadi?

Ishlab chiqarish liniyasidagi edge versiyada ARSR ning K-Means asosidagi rejim aniqlashi ataylab o‘zgartirilgan. Start-up, High-speed va Idle fazalari fizik RPM chegaralari orqali allaqachon deterministik tarzda belgilanishi mumkin bo‘lgani uchun, haqiqiy tizimda K-Means o‘rniga shu qat’iy fizikaga asoslangan yo‘naltirish qo‘llangan. Maqsad onlayn klasterlash xarajatini olib tashlash, rejim tayinlashni to‘liq takrorlanuvchan qilish va 100 ms Takt vaqti chegarasidan pastda qolishdir.

Shu sababli tadqiqotdagi ikki ARSR konfiguratsiyasini ajratish kerak: benchmark/umumiy arxitektura yorliqsiz K-Means routing ishlatsa, haqiqiy yig‘ish liniyasidagi deployment RPM chegaralariga asoslangan hard-switching dan foydalanadi.

CSWE Kam Uchraydigan Dvigatel Nuqsonlarini Qanday Aniqlashga Harakat Qiladi?

Class-Specific Weighted Ensemble (CSWE) barcha nuqson sinflari uchun har bir tasniflagichga bitta global vazn berish o‘rniga, SVM, KNN, Gaussian Naive Bayes va Bagging kabi modellarning har bir nuqson sinfidagi validatsiya F1 ko‘rsatkichini alohida kompetensiya vazni sifatida ishlatadi; shu tariqa kam uchraydigan nuqsonlarni ko‘pchilik sinfining bosimidan himoya qilishni maqsad qiladi.

Sinfga xos kompetensiya matritsasi

\(m\) tasniflagich va \(n\) maqsadli nuqson sinfi uchun kompetensiya matritsasi:

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

ko‘rinishida aniqlanadi.

Manbada har bir vazn sinfga xos validatsiya F1 ko‘rsatkichi asosida quyidagicha berilgan:

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

Bu yerda \(P_{j,k}\) \(j\)-tasniflagichning \(k\)-sinf uchun Precision qiymati; \(R_{j,k}\) esa Recall qiymatidir. Manba formulasida \(\epsilon\) qo‘shiluvchi sonli barqarorlik hadi sifatida ko‘rsatilgan.

Onlayn qaror bosqichida bazaviy modellarning ikkilik chiqishlari \(V\in\{0,1\}^{m\times n}\) matritsasini hosil qiladi. Har bir sinfning umumiy bali:

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

ko‘rinishida hisoblanadi.

Yakuniy sinf:

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

orqali belgilanadi. Shu tariqa ayni bir bazaviy tasniflagich bir nuqson turida yuqori, boshqa nuqson turida past qaror vazniga ega bo‘lishi mumkin.

Baholash metrikalari nega Recall markazida?

Dvigatel sifat nazoratida False Negative, ya’ni aslida nuqsonli dvigatelning sog‘lom deb qabul qilinishi, False Positive sababli qayta tekshiruvdan ko‘ra yuqoriroq xarajatga olib kelishi mumkin. Shu sababli tadqiqot umumiy Accuracy o‘rniga ayniqsa Recall va F1 qiymatlarini ta’kidlaydi.

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

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

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

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

Accuracy nomutanosib ma’lumotlar to‘plamida chalg‘ituvchi bo‘lishi mumkin. Nuqsonlar ulushi juda past bo‘lsa, deyarli barcha dvigatellarni “normal” deb tasniflaydigan model yuqori Accuracy olishi mumkin, ammo muhim nuqsonlarni o‘tkazib yuboradi. Shu sababli Recall sifat nazorati bosqichida nuqsonni aniqlashning bevosita ko‘rsatkichidir.

Tadqiqot Usuli va Natijalari

Sanoat ma’lumotlar to‘plami

Haqiqiy ishlab chiqarish ma’lumotlari yetakchi avtomobil ishlab chiqaruvchisining H4 yig‘ish liniyasidagi JL478QEA-AJ dvigatel modelidan olingan. Ma’lumotlar Engine Test Data Management Database orqali Engine ID asosiy kaliti bilan birlashtirilgan.

O‘qitish va test ajratilishida ayni bir fizik dvigateldan kelgan namunalar ikkala to‘plamga ham tushib qolmasligi uchun dvigatel seriya raqami bo‘yicha qat’iy guruhlash qo‘llangan. Bu tafsilot muhim; chunki ayni dvigatelga tegishli yuqori darajada bog‘langan sensor bo‘laklarining ham o‘qitish, ham test to‘plamida bo‘lishi natijani sun’iy ravishda oshirishi mumkin edi.

Ommaviy benchmark ma’lumotlar to‘plamlari

Bu benchmarklarning maqsadi uchala ma’lumotlar to‘plamida ayni bir ilovani taqlid qilish emas. Har biri tizimning boshqa komponentini stress-test qiladi: sinf nomutanosibligi, yuqori o‘lchamli shovqin yoki yashirin ish rejimlari.

Uskuna va dasturiy ta’minot

Tasniflash vazifalari va AI4I Tool Wear natijalari 10 ta mustaqil ishga tushirishning o‘rtacha qiymati va standart og‘ishi bilan berilgan. Xarajati yuqoriroq NASA C-MAPSS vaqt qatori tajribalari 5 ta mustaqil ishga tushirish orqali baholangan.

Tasniflash natijalari: AI4I

SAE + CSWE eng yuqori F1 qiymatini bergan. XGBoost yuqoriroq Recall hosil qilgan, biroq Precision ning pastroq bo‘lishi ko‘proq noto‘g‘ri signal deganidir. Shu bois tadqiqotning da’vosi “har bir metrikada eng yaxshi” bo‘lish emas, balki nuqsonlarni aniqlash bilan noto‘g‘ri signal o‘rtasida muvozanatliroq natija berishdir.

Tasniflash natijalari: UCI SECOM

SECOM natijalari Accuracy nomutanosib sinflarda nega yolg‘iz o‘zi yetarli emasligini ayniqsa yaqqol ko‘rsatadi. Masalan, SVM ning Accuracy qiymati %91,66 bo‘lsa-da, Recall atigi %6,67. SAE + CSWE esa pastroq Accuracy ga qaramay nuqsonlarning ancha katta qismini topib, %49,05 Recall ga erishgan.

Regressiya metrikalari

Regressiya vazifalarida uchta asosiy metrika ishlatilgan:

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

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

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

MSE katta xatolarni kvadratlash orqali ko‘proq jazolaydi. \(R^2\) maqsadli o‘zgaruvchidagi dispersiyaning model tomonidan izohlangan darajasini ko‘rsatadi. MAPE masshtabdan mustaqil foiz xatosini beradi; biroq maqsad qiymati nolga yaqinlashganda matematik jihatdan beqaror bo‘lishi mumkin. Bu oxirgi muammo tadqiqotning Idle fazasidagi aylanish tezligi standart og‘ishi tahlilida bevosita kuzatilgan.

AI4I Tool Wear regressiyasi

SAE + ARSR eng past MSE va eng yuqori \(R^2\) ni olgan, ammo MAPE bo‘yicha CNN va Transformer taxminan bir xil yoki juda oz pastroq qiymatlarni bergan. Shuning uchun natijani ishlatilgan barcha metrikalarda mutlaq ustunlik sifatida talqin qilish kerak emas.

NASA C-MAPSS FD002 regressiyasi

ARSR FD002 da eng past MSE va eng yuqori \(R^2\) ni bergan. Biroq MAPE bo‘yicha XGBoost va Bagging pastroq qiymatlarni ko‘rsatgan. Bu natija ham model unumdorligini ishlatilayotgan xato metrikasiga qarab baholash kerakligini ko‘rsatadi.

Ablatsiya tajribalari SAE va rejim bo‘lishning roli haqida nimani ko‘rsatdi?

Siyraklik jazosini olib tashlash SECOM F1 qiymatini %33,17 dan %23,94 gacha tushirgan. Xom standartlashtirilgan sensorlarni bevosita qo‘llash Accuracy ni oshirgan bo‘lsa-da, Recall ni %49,05 dan %40,48 gacha kamaytirgan. Manba buni xom yuqori o‘lchamli shovqin ko‘pchilik sinfiga og‘ishni yuzaga keltirishi bilan izohlaydi.

NASA FD002 da rejim bo‘lishni olib tashlash MSE ni 424,49 dan 474,45 gacha oshirgan. Bu natija oltita turli ish sharoitini bitta global regressiya funksiyasiga majburlash xato keltirib chiqarishini va mahalliy ekspert strategiyasi ko‘p rejimli jarayonlarda foydali ekanini qo‘llab-quvvatlaydi.

Haqiqiy H4 liniyasida nuqson tasnifi

Recall dagi mutlaq o‘sish 7,72 foiz punktini tashkil qiladi. Bu natija manbada “nuqsonni aniqlash Recall ko‘rsatkichida %7,72 yaxshilanish” deb qisqacha berilgan. Biroq %76,92 qiymat tadqiqotning o‘z muhokamasida sifat kafolati uchun ideal deb hisoblangan >%95 darajadan ancha past.

Haqiqiy liniyada uzluksiz dvigatel unumdorligini bashorat qilish

Regressiya maqsadi haydovchi talab qiladigan dvigatel aylanish tezligi emas. Sinov stendidagi qat’iy yuk protokoli ostida dvigatelning kutiladigan funksional javobi bashorat qilinadi. Model o‘rtacha aylanish tezligi va uning standart og‘ishi uchun “normal xatti-harakat” bazasini yaratadi. Bu bazadan og‘ishlar ishqalanish anomaliyasi yoki ECU kalibrlash muammosi kabi nozikroq muammolarni ko‘rsatishi mumkin bo‘lgan yordamchi indikatorlar sifatida ishlatiladi.

O‘rtacha dvigatel aylanish tezligi uchun ARSR:

• Start-up fazasida Linear Regression,
• High-speed fazasida SVR,
• Idle fazasida SVR

ni tanlagan va L-S-S ekspert ketma-ketligi umumiy %2,276 MAPE bergan. Faqat LR uchun MAPE %2,646, faqat SVR uchun %2,350 deb xabar qilingan.

Dvigatel aylanish tezligi standart og‘ishini bashorat qilishda esa SVR-GPR-Bagging ekspert kombinatsiyasi ishlatilgan va umumiy MAPE %39,00 bo‘lgan. Bu qiymat yuqori ko‘rinadi; biroq ayniqsa Idle fazasida haqiqiy standart og‘ish nolga juda yaqin bo‘lgani uchun MAPE maxraji juda kichiklashadi. Manbada kichik mutlaq xatolar shu sababli juda katta foiz xatolariga aylanishi ta’kidlanadi.

Idle fazasidagi mutlaq bashorat xatosi ±10 RPM sanoat toleransi ichida qolganligi bildirilgan. Shu sababli MAPE ning bu rejimda yolg‘iz fizik unumdorlik ko‘rsatkichi sifatida ishlatilishi cheklangan deb qabul qilingan.

Edge Deployment Ushbu Tadqiqotda Haqiqatan Qanchalik Tez va Qanchalik Muvaffaqiyatli?

Haqiqiy H4 dvigatel yig‘ish liniyasida ishlatilgan edge versiya o‘rtacha 80 ± 3 ms inferensiya kechikishi bilan 100 ms Takt vaqti chegarasida ishlagan va uch oylik pilot davrida dvigatel ta’mirlash/qayta ishlash ulushida %7,2 kamayish qayd etilgan; biroq manba ushbu operatsion yaxshilanishni parallel nazoratli sababiy tajriba bilan ajratmaganligi sababli %7,2 qiymat kuzatilgan dala natijasi sifatida talqin qilinishi kerak.

Edge optimallashtirishning ikkita asosiy qarori

Birinchi optimallashtirish: Onlayn K-Means routing o‘rniga dvigatel rejimi bevosita RPM chegaralari bilan belgilangan. Shu tariqa klaster tayinlash hisob-kitobi olib tashlangan.

Ikkinchi optimallashtirish: \(\gamma=0\) qo‘llanib, downstream modelga faqat SAE ning siqilgan yashirin xususiyatlari berilgan. 10.000 dan ortiq xom xususiyatni edge protsessorda tashish va hisoblashning oldi olingan.

Bu konfiguratsiya Intel Xeon E5-2680 v4 asosidagi line-side edge qurilmalarda o‘rtacha 80 ± 3 ms inferensiya vaqtini ta’minlagan. Tadqiqot buni 100 ms Takt vaqti chegarasi bilan taqqoslaydi.

Uch oylik pilot ishlab chiqarish natijasi

Mualliflar uch oylik pilot ishdan so‘ng dvigatel ta’mirlash/qayta ishlash ulushida %7,2 kamayish qayd etgan. Bu usul faqat benchmark ma’lumotlar to‘plamida emas, haqiqiy ishlab chiqarish ish oqimida ham ishlatilganini ko‘rsatishi jihatidan muhim.

Biroq manbada alohida nazorat liniyasi, randomizatsiyalangan taqqoslash yoki boshqa ishlab chiqarish jarayoni o‘zgarishlarini statistik jihatdan ajratadigan sababiy ta’sir dizayni berilmagan. Shu sababli %7,2 qiymat to‘g‘ridan-to‘g‘ri kuzatilgan pilot davri unumdorlik ko‘rsatkichidir; uni algoritmning o‘zi keltirib chiqargan aniq sababiy ta’sir deb kengaytirib talqin qilish kerak emas.

Chalkashlik matritsalari nimani ko‘rsatadi?

Manbaning 21. sahifasidagi 12-rasm UCI SECOM ustidagi 10 ta mustaqil ishga tushirishning jamlangan chalkashlik matritsalarini ko‘rsatadi. LightGBM 86, Bagging 76 va XGBoost 95 haqiqiy nuqsonni aniqlagan. XGBoost shu bilan birga 234 noto‘g‘ri signal hosil qilgan. Taklif qilingan CSWE esa 103 haqiqiy nuqsonni aniqlagan holda 231 False Positive hosil qilgan.

Bu taqqoslashning asosiy xabari CSWE faqat Recall ni oshirishi emas, balki Recall oshishi davomida noto‘g‘ri signallar sonini nazorat ostida saqlashga harakat qilishidir.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• SAE ning siyraklik tuzilmasi yuqori o‘lchamli va shovqinli sensor ma’lumotlarida nuqson tasnifiga o‘lchab bo‘ladigan hissa qo‘shgan.
• Sinfga xos vaznlash nomutanosib nuqson sinflarida Recall va F1 unumdorligini yaxshilay olgan.
• Ish rejimiga qarab ekspert tanlash ko‘p rejimli regressiya vazifalarida bitta global modelga nisbatan xatoni kamaytira olgan.
• Taklif qilingan arxitektura haqiqiy H4 dvigatel ishlab chiqarish liniyasidagi CPU asosidagi edge uskunada 100 ms chegarasi ichida ishlagan.
• Uch oylik haqiqiy ishlab chiqarish pilotida ta’mirlash/qayta ishlash ulushida %7,2 kamayish qayd etilgan.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• Tizim barcha dvigatel nuqsonlarini aniqlamaydi; sanoat Recall qiymati %76,92.
• Natijalarni barcha avtomobil ishlab chiqaruvchilari, barcha dvigatel oilalari va barcha yig‘ish liniyalariga avtomatik ravishda umumlashtirib bo‘lmaydi.
• %7,2 ishlab chiqarish yaxshilanishi nazoratli sababiy ta’sir kattaligi emas.
• Mavjud bir modalli jadval ko‘rinishidagi sensor tizimi mikroskopik tuzilmaviy anomaliyalarning barchasini kuzata olmaydi.
• Model hozirgi holatda uzluksiz onlayn o‘rganish yoki avtomatik concept-drift moslashuvini bajarmaydi.
• Idle fazasidagi yuqori MAPE qiymatlari o‘z-o‘zidan yomon fizik unumdorlik degani emas; nolga yaqinlashgan maqsad qiymati MAPE ni matematik ravishda kattalashtiradi.

Cheklovlar va kelajakdagi tadqiqot yo‘nalishlari

Bir modalli ma’lumot cheklovi: Tadqiqot asosan jadval ko‘rinishidagi moment, bosim va shunga o‘xshash jarayon/sensor o‘lchovlariga tayanadi. Mualliflar yuqoriroq nuqson aniqlash uchun Acoustic Emission sensorlari va real vaqt vizual monitoringi kabi qo‘shimcha modaliteler zarur bo‘lishi mumkinligini ko‘rsatadi.

Noaniqlikni baholash: Ayniqsa nolga yaqin maqsadlarda nuqtaviy bashorat va MAPE cheklanganligi sababli, kelajakda Bayesian Neural Networks kabi ehtimollik usullari va ishonch oraliqlarini baholash taklif qilinadi.

Concept drift: Model muayyan ishlab chiqarish barqarorlashuvi davrida to‘plangan statik o‘qitish ma’lumotlari bilan ishlaydi. Asbob yeyilishi, atrof-muhit harorati yoki yetkazib beruvchi material partiyasi o‘zgarganda ma’lumotlar taqsimoti vaqt o‘tishi bilan siljishi mumkin. Hozirgi versiyada uzluksiz onlayn o‘rganish mexanizmi mavjud emas.

Umumlashtiriluvchanlik: Turli dvigatel modellari va turli yig‘ish liniyalarida alohida validatsiya talab qilinadi. Manba tadqiqoti bitta fizik liniyada erishilgan sanoat muvaffaqiyati universal ishlab chiqarish unumdorligini anglatmasligini tan oladi.

Manba va Usul Haqida Izoh

Asl tadqiqot: Predicting Car-Engine Manufacturing Quality with Multi-Sensor Data of Manufacturing Assembly Process

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

Mas’ul muallif: Li Liu.

Muassasalar: 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.

Jurnal: Sensors.

Nashriyot: MDPI.

Bibliografik yozuv: Sensors 2026, 26(5), 1651.

DOI: 10.3390/s26051651

Manba turi: Taqrizdan o‘tgan tadqiqot maqolasi.

Maqola bo‘limi: Industrial Sensors.

Qabul qilingan sana: 29 Yanvar 2026.

Qayta ko‘rib chiqish: 21 Fevral 2026.

Qabul: 27 Fevral 2026.

Nashr: 5 Mart 2026.

Litsenziya: Creative Commons Attribution (CC BY).

Sanoat tizimi: H4 dvigatel yig‘ish liniyasi; JL478QEA-AJ dvigatel modeli.

Ommaviy validatsiya ma’lumotlar to‘plamlari: AI4I 2020 Predictive Maintenance Dataset; UCI SECOM; NASA C-MAPSS FD002.

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

Inson/hayvon tadqiqoti: Tadqiqot inson ishtirokchilari yoki hayvonlar ustida o‘tkazilgan tadqiqotni o‘z ichiga olmasligi bildirilgan.

Ma’lumotlarning mavjudligi: Natijalarni qo‘llab-quvvatlovchi ma’lumotlarni asosli so‘rov asosida mas’ul muallif Li Liu dan olish mumkinligi ko‘rsatilgan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Muallif hissalari: Xinyu Yang, Li Liu va Qing Tao konseptuallashtirish; Xinyu Yang va Li Liu usul; Xinyu Yang, Qianxi Zhang, Junjie Bao va Nengchao Wu dasturiy ta’minot; Qianxi Zhang, Xue Wang va Nengchao Wu validatsiya; Xinyu Yang va Qianxi Zhang formal tahlil; Xinyu Yang, Junjie Bao va Xue Wang tadqiqot; Li Liu va Haijia Wu resurslar; Xinyu Yang, Qianxi Zhang va Nengchao Wu ma’lumotlar kuratsiyasi; Xinyu Yang dastlabki qoralama; Li Liu, Qing Tao va Haijia Wu ko‘rib chiqish/tahrirlash; Xinyu Yang va Qianxi Zhang vizuallashtirish; Li Liu va Qing Tao nazorat; Li Liu va Haijia Wu loyiha boshqaruvi va moliyalashtirish rollarini bajargan.

Asosiy talqin chegarasi: Sanoat validatsiyasi haqiqiy ishlab chiqarish liniyasida amalga oshirilgan bo‘lsa-da, u bitta dvigatel modeli va muayyan yig‘ish liniyasi kontekstiga tegishli. Recall qiymati %76,92 bo‘lib, mualliflar ko‘rsatgan >%95 ideal QA maqsadidan past. Mavjud tizim faqat jadvalga asoslangan bitta sensor modalitesiga tayanadi, onlayn concept-drift moslashuvini o‘z ichiga olmaydi va uch oylik %7,2 dala yaxshilanishining algoritmga xos sababiy ulushi alohida nazoratli tadqiqot bilan ajratilmagan.