Mashina qachon ishdan chiqishini to‘g‘ri bashorat qilish bashoratli texnik xizmat uchun o‘z-o‘zidan yetarli bo‘lmasligi mumkin. Texnik xizmat jamoasi ehtiyot qismlarni ta’minlash, xodimlarni rejalashtirish, ishlab chiqarishni to‘xtatish yoki aralashuvga tayyorlanishi uchun prognoz ayni paytda yetarlicha erta kelishi kerak. Ushbu tadqiqot Remaining Useful Life (RUL; qolgan foydali umr) modellarini faqat umumiy xato yoki aniqlik qiymatlari bilan emas, balki nosozlikkacha qolgan vaqt, ya’ni prognoz ufqi va noto‘g‘ri prognozning operatsion oqibatini birgalikda hisobga olib baholashni taklif qiladi.

Tadqiqotda ikkita ochiq vibratsiya ma’lumotlar to‘plamida ARIMA, Facebook Prophet, LSTM, GRU va PatchTST sifatida yakunlangan beshta prognoz yondashuvi taqqoslangan. Xom vibratsiya ma’lumotlarini siqish va xususiyatlarni ajratish uchun barcha modellardan oldin autoencoder ishlatilgani qayd etiladi. Prognoz ishlashi uzun, o‘rta va qisqa bo‘lgan uchta ufqda baholangan. Birinchi ma’lumotlar to‘plamida bular 20 kun ta’lim + 30 kun prognoz, 40 + 10 va 47 + 3 kunlik bo‘linmalar bilan amalga oshirilgan.

Natijalar qaysi model “eng yaxshi” ekani prognoz ufqiga qarab o‘zgarishini ko‘rsatadi. Dataset 1 da uzoq ufqda Prophet %72,67 bilan eng yuqori hosila aniqlikni bergan bo‘lsa, qisqa ufqda ARIMA %90,63 ga ko‘tarilgan. Dataset 2 da uzoq ufqda Prophet %86,62, o‘rta ufqda 8-jadvalga ko‘ra ARIMA %82,04 va qisqa ufqda yana ARIMA %98,25 bilan eng yuqori qiymatni bergan. Bunga qarshi PatchTST ayniqsa Dataset 1 ning o‘rta ufqida %18,13 va Dataset 2 ning qisqa ufqida %30,29 bilan zaif natijalar ko‘rsatgan.

Bu raqamlardagi “accuracy” klassik tasniflash aniqligi emas. Tadqiqotda \(Accuracy = 100 - MAPE\) ko‘rinishida ta’riflangan. Bu farq juda muhim; chunki Dataset 1 qisqa ufqida ARIMA ning hosila aniqligi %90,63 bo‘lsa-da, R² qiymati −0,5988. Boshqacha aytganda, prognozlarning o‘rtacha kattalik xatosi nisbatan past ko‘rinsa ham, model real degradatsiya egri chizig‘idagi o‘zgarishni yetarlicha tushuntira olmaydi.

Tadqiqotning eng muhim metodologik cheklovi shundaki, prognoz ufqi qisqargan sari ta’lim ma’lumotlari miqdori ham bir vaqtda ortadi. Uzoq ufq tajribasida 20 kunlik, qisqa ufq tajribasida esa 47 kunlik ta’lim ma’lumotlari ishlatilgan. Shu sababli ufqlar orasidagi ishlash o‘zgarishining qanchasi qisqaroq prognoz davridan, qanchasi ko‘proq ta’lim ma’lumotidan kelib chiqishini tajriba dizayni orqali ajratib bo‘lmaydi. Topilmalar “qisqa prognozlar har qanday sharoitda aniqroq” degan universal model qonuni sifatida talqin qilinmasligi kerak.

RUL nega texnik xizmat qarorlarida muhim?

Remaining Useful Life uskunaning hozirgi holatidan funksional nosozlik nuqtasigacha qolgan foydalanish mumkin bo‘lgan vaqtni bashorat qilishga urinadi. Maqsad faqat nosozlik yaqinlashayotganini aniqlash emas, balki aralashuv uchun foydalanish mumkin bo‘lgan vaqt oynasini baholashdir.

Tadqiqotning asosiy da’vosi shu sababli juda amaliy: nosozlikka uch kun qolganda to‘g‘ri prognoz son jihatdan muvaffaqiyatli ko‘rinsa-da, ayrim texnik xizmat faoliyatlari uchun juda kech bo‘lishi mumkin. O‘ttiz kun oldindan biroz xatoliroq, ammo foydalanish mumkin bo‘lgan prognoz ehtiyot qismlar, jamoa, ishlab chiqarish rejasi va texnik xizmat vaqti nuqtayi nazaridan qimmatroq bo‘lishi mumkin.

Xavfga asoslangan texnik xizmat bilan xavf haqida ma’lumotli texnik xizmat o‘rtasidagi farq nima?

Maqoladagi 2-rasm ikki tushunchani turli hayot sikli bosqichlariga joylashtiradi. Xavfga asoslangan bashoratli texnik xizmat loyiha bosqichida qaysi prognoz texnikasi tanlanishi kerakligi savoliga e’tibor qaratadi. Xavf haqida ma’lumotli bashoratli texnik xizmat esa tizim ishlayotgan paytda, prognoz kelgandan so‘ng texnik xizmatni qachon bajarish kerakligi bilan shug‘ullanadi.

Ushbu tadqiqotning asosiy urg‘usi birinchi muammoga, ya’ni prognoz modelini tizimga kiritishdan oldin qanday baholash kerakligiga qaratilgan. Model tanlovi faqat o‘rtacha xato qiymatiga emas, turli prognoz ufqlaridagi ishlashi va noto‘g‘ri qarorning oqibatiga asoslanishi tavsiya etiladi.

Nega prognoz ufqi alohida ishlash o‘lchovidir?

Maqoladagi 3-rasm yuqori qisqa muddatli aniqlik avtomatik ravishda eng foydali modelni bermasligini konseptual tarzda ko‘rsatadi. Aniqlik bir o‘qda, vaqt/oqibat darajasi boshqa o‘qda ko‘rib chiqiladi. Shunday qilib, past aniqlik–yuqori oqibat og‘irligi kombinatsiyasi eng xavfli hudud sifatida talqin qilinadi.

Tadqiqot 30 kun qolganda yuzaga kelgan prognoz xatosini past oqibat darajasi, 10 kun qolgandagini o‘rta va 3 kun qolgandagini yuqori oqibat darajasi bilan bog‘laydi. Bu darajalar universal standart emas; mualliflar ularni shamol fermasi aktivlarini boshqarish bo‘yicha amaliy farazlar sifatida ishlatadilar.

Qaysi RUL model oilalari muhokama qilinadi?

Maqolaning 1-rasmidagi daraxt RUL prognoz modellarini statistik/ishonchlilikka asoslangan, mashinaviy o‘rganish, chuqur o‘rganish va fizikaga asoslangan usullar sifatida keng guruhlarga ajratadi. Bundan tashqari, ushbu guruhlar komponentlarini birlashtiruvchi gibrid modellar alohida qatlam sifatida ko‘rsatilgan.

Eksperimental taqqoslashda esa beshta usul ishlatilgan: ARIMA, Facebook Prophet, LSTM, GRU va manba giperparametr jadvalida “PatchTST-inspired” deb atalgan Transformer asosidagi yondashuv. Natijalar bo‘limlarida oxirgi model qisqacha PatchTST deb ataladi; shu sababli tadqiqot standart PatchTST amalga oshirilishining barcha tafsilotlari aynan ishlatilganini tasdiqlamaydi.

Ikki ma’lumotlar to‘plami nimani ifodalaydi?

Dataset 1 real ish sharoitidagi 2 MW lik shamol turbinasining yuqori tezlikli val podshipnikiga oid vibratsiya ma’lumotlaridir. Maqola podshipnikning 50 kunlik progressiv degradatsiyasini kuzatuvchi MEMS asosidagi radial akselerometr ma’lumotlaridan foydalanadi. Nominal aylanish tezligi 1800 rpm, yuqori namuna olish chastotasi 97.656 Hz va qayd muddati 6 soniya deb berilgan.

Dataset 2 University of Cincinnati Intelligent Maintenance Systems Centre tomonidan ishlab chiqilgan run-to-failure podshipnik tajribalariga asoslangan. Maqoladagi 5-rasm foydalanish muddati oxiriga yaqinlashgan sari vibratsiya amplitudasi aniq oshib boradigan ravshanroq degradatsiya tuzilishini ko‘rsatadi. Mualliflar Dataset 2 Dataset 1 ga qaraganda o‘rganishga qulayroq degradatsiya imzosiga ega bo‘lishi mumkinligini taklif qiladilar.

Ma’lumot manbalarini ko‘rsatishda manba ichida bibliografik noaniqlik mavjud. Dataset 1 usul matnida GitHub orqali mavjud deb ta’riflangan bo‘lsa, tegishli manba yozuvi MathWorks ga yo‘naltiradi. Dataset 2 uchun usul va ma’lumot mavjudligi bo‘limlari NASA Prognostics Data Repository ni ko‘rsatadi, [47] raqamli manba yozuvi esa Kaggle manzilidir. Bu holat natijalarni o‘z-o‘zidan bekor qilmaydi; ammo mustaqil takrorlash uchun qaysi asl repository va ma’lumot versiyasi ishlatilganini aniqroq hujjatlashtirish kerak.

Prognoz ufqlari qanday yaratildi?

Ushbu dizaynning muhim oqibati shundaki, ikkita tajriba o‘zgaruvchisi birga harakat qiladi. Prognoz ufqi 30 kundan 3 kunga qisqarganda ta’lim ma’lumotlari 20 kundan 47 kunga ortadi. Shu sababli qisqa ufqdagi ishlash yaxshilanishi faqat yaqin kelajakni bashorat qilish osonlashganidan kelib chiqadi deb bo‘lmaydi; model ko‘proq degradatsiya tarixini ko‘rishi ham natijalarga ta’sir qilishi mumkin.

Dataset 1 da model reytingi qanday o‘zgardi?

Dataset 1 da Prophet uzoq va o‘rta ufqda eng yuqori qiymatni bergan bo‘lsa, ARIMA qisqa ufqda oldinga chiqadi. ARIMA ning %11,64 dan %90,63 gacha ko‘tarilishi model reytingi baholash oynasiga qanchalik bog‘liq bo‘lishi mumkinligini aniq ko‘rsatadi.

Dataset 2 ham xuddi shu reytingni berdimi?

Yo‘q. Ikkinchi ma’lumotlar to‘plamida aksariyat modellarning umumiy ishlashi oshgan va ayrim reytinglar o‘zgargan. Bu tadqiqotning “modelning xavf profili faqat algoritm xususiyati emas; ma’lumotlar to‘plamining degradatsiya tuzilishiga ham bog‘liq” degan tezisini qo‘llab-quvvatlaydigan asosiy topilmalardan biridir.

Dataset 2 uzoq ufqda Prophet %86,62 bilan eng yuqori natijani beradi. O‘rta ufqda manba 8-jadvaldagi eng yuqori qiymat ARIMA ning %82,04 idir; Prophet %81,03. Qisqa ufqda ARIMA %98,25 ga yetadi. PatchTST esa boshqa modellardan farqli ravishda qisqa ufqda yaxshilanmagan va %30,29 gacha pasaygan.

Turkiya nuqtayi nazaridan qanday talqin qilish mumkin?

Tadqiqot Turkiyada dala validatsiyasi o‘tkazmagan. Shunga qaramay, shamol turbinalari, ishlab chiqarish liniyalari, aylanma mashinalar, podshipniklar va o‘xshash kritik uskunalarda bashoratli texnik xizmatdan foydalanadigan korxonalar uchun ko‘tarilgan qaror muammosi Turkiya uchun ham muhandislik nuqtayi nazaridan mazmunli: faqat “eng past xato beradigan model”ni tanlash o‘rniga korxonaning haqiqiy ehtiyot qism yetkazish vaqti, texnik xizmat jamoasining safarbarligi, rejalashtirilgan to‘xtash talabi va nosozlikning xavfsizlik/ishlab chiqarish oqibati bilan mos prognoz ufqi belgilanishi kerak.

Biroq tadqiqotdagi 30, 10 va 3 kunlik chegaralar Turkiyadagi barcha sanoat aktivlari uchun qo‘llaniladigan standart qiymatlar emas. Manbaning o‘zi ham bu davrlar uskuna, degradatsiya mekanizmi va operatsion muhitga ko‘ra moslashtirilishi kerakligini aytadi.

Tadqiqot nimani qo‘llab-quvvatlaydi, nimani isbotlamaydi?

Tadqiqot Usuli va Natijalari

Modellardan oldin ma’lumot qanday qayta ishlandi?

Manba yuqori o‘lchamli va shovqinli vibratsiya signallarini bevosita prognoz modellariga berish o‘rniga autoencoder ishlatilganini bildiradi. Autoencoder ma’lumotni siqish va xususiyatlarni chiqarish uchun qo‘llanilgan, hosil bo‘lgan vakillik keyin beshta prognoz yondashuviga uzatilgan.

Shunga qaramay, autoencoder ning qatlam arxitekturasi, latent o‘lchami va ta’limining barcha tafsilotlari asosiy giperparametr jadvalida berilmagan. Bu holat, ayniqsa tadqiqot natijalarini aynan takrorlashni istagan tadqiqotchilar uchun metodologik kamchilikdir.

Asosiy model sozlamalari

“Accuracy” qanday hisoblandi?

Tadqiqotning asosiy xato o‘lchovlaridan Mean Absolute Error (MAE):

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

Root Mean Square Error (RMSE):

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

va Mean Absolute Percentage Error (MAPE):

\[ MAPE=\frac{100}{n}\sum_{i=1}^{n}\left|\frac{\hat{y}_i-y_i}{y_i}\right| \]

ko‘rinishida beriladi. Tadqiqotning “accuracy” qiymati esa bevosita:

\[ Accuracy=100\%-MAPE(\%) \]

deb ta’riflangan. Shu sababli %90 aniqlik ifodasi tasniflashda ishlatiladigan “to‘g‘ri prognozlar foizi” degani emas. Manbaning o‘zi ham ayniqsa yuqori MAPE qiymatlarida va soha toleranslari kritik bo‘lgan holatlarda bu ta’rifdan ehtiyotkor foydalanish kerakligini ta’kidlaydi.

R² nega boshqacha hikoya qiladi?

Coefficient of determination:

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

bilan hisoblanadi. R² ning manfiy bo‘lishi model real qatordagi variatsiyani tushuntirishda hatto faqat o‘rtacha RUL qiymatini prognoz qilishdan ham yomon bo‘lishi mumkinligini ko‘rsatadi.

3-jadvalning eng e’tiborga molik xususiyati qisqa ufqda barcha besh modelning R² qiymati manfiy ekanidir. Demak, yuqori MAPE asosidagi aniqlik bilan real degradatsiya egri chizig‘i dinamikasini tushuntirish qobiliyati bir xil narsa emas. Maqolaning 8-rasmidagi ARIMA egri chizig‘i ham bu muammoni vizual ko‘rsatadi.

Shape-RMSE nimani o‘lchashga urinadi?

Tadqiqot mutlaq kattalik o‘rniga prognoz egri chizig‘i shaklining real degradatsiya egri chizig‘iga qanchalik o‘xshashini o‘lchash uchun normallashtirilgan Shape-RMSE ni taklif qiladi:

\[ Shape\text{-}RMSE= \sqrt{\frac{1}{N} \sum_{t=1}^{N} (\hat{y}^{norm}_t-y^{norm}_t)^2} \]

Qatorlar o‘z minimum va maksimumlariga ko‘ra normallashtiriladi:

\[ y^{norm}_t= \frac{y_t-\min(y)} {\max(y)-\min(y)} \]

Pastroq Shape-RMSE yaxshiroq deb qabul qilinadi.

Prophet uzoq va o‘rta ufqda eng past Shape-RMSE ni beradi. Qisqa ufqda son jihatdan PatchTST 0,0540 bilan eng past qiymatga ega. Shunga qaramay, manba mualliflari vizual tekshiruvda Prophet real degradatsiya yo‘lini yaxshiroq kuzatishini aytadilar. Maqolaning o‘zi shu sababli juda qisqa oynalarda Shape-RMSE bir o‘zi shakl sodiqligini to‘liq ifodalay olmasligini tan oladi. Bu yangi taklif etilgan o‘lchov hali mustaqil qaror mezoni emasligini ko‘rsatadigan muhim ichki validatsiyadir.

Ta’lim oynasi o‘zgarganda modellar qanchalik barqaror?

Tadqiqot tanlangan ta’lim uzunliklari atrofida ±3 kunlik o‘zgarishlar qilib MAPE oraliqlarini taqqoslagan. Ayniqsa qisqa ufq atrofidagi 42–48 kunlik ta’lim oynasida Prophet ning MAPE oralig‘i %7,75–14,46 bilan eng tor va eng past oraliqlardan biridir. ARIMA ayni hududda %8,35–45,12 orasida ancha ko‘proq o‘zgaradi.

10-rasmdagi boxplot Prophet ni kichik ta’lim-oynasi o‘zgarishlariga eng barqaror, ARIMA ni esa eng sezgir model sifatida ko‘rsatadi. Bu natija ARIMA ning ma’lum qisqa ufq kesimida eng yuqori aniqlikka yetishi model barcha yaqin ta’lim oynalarida ham xuddi shunday barqaror degani emasligini ko‘rsatadi.

PHEP nega taklif qilindi?

Prediction Horizon Error Profile (PHEP) bitta o‘rtacha xatoni berish o‘rniga xato kattaligi nosozlikkacha qolgan vaqtga qarab qanday o‘zgarishini ko‘rsatishni maqsad qiladi:

\[ PHEP(h)= \frac{1}{N_h} \sum_{i=1}^{N_h} \left| \frac{y_{i,h}-\hat{y}_{i,h}}{y_{i,h}} \right| \times100 \]

11-rasmda ko‘plab modellar nosozlikka yaqinlashganda ikkita alohida xato ko‘tarilishini ko‘rsatishi, Prophet esa tekisroq xato profilini namoyish etishi qayd etiladi. Manba bu ikki cho‘qqini avval degradatsiya rejimi o‘zgarishni boshlagan o‘tish bosqichi, so‘ng nosozlikka juda yaqinroq nolinear va tartibsiz kritik bosqich sifatida talqin qiladi.

PHEP grafigining nuqta qiymatlari asosiy matnda jadval sifatida berilmagani sababli Verianla Live ichida grafikdan taxminiy raqamlar chiqarilmagan.

Xavf matritsasi qanday quriladi?

Tadqiqotda prognoz aniqligi uchta amaliy sinfga ajratilgan: %95 dan yuqori — yuqori, %80–95 — o‘rta, %80 dan past — past. Mualliflar bu chegaralar aktiv menejeri tajribasiga asoslangan taqqoslama tasnif ekanini va barcha RUL ilovalari uchun universal standart emasligini ochiq aytadilar.

Oqibat og‘irligi esa 30 kun qolganda past, 10 kun qolganda o‘rta va 3 kun qolganda yuqori deb qabul qilingan. Dataset 1 da hech bir model 30 kun qolganda yuqori yoki o‘rta aniqlik sinfiga yetmagan. Qisqa ufqda ARIMA, GRU va Prophet o‘rta aniqlik hududiga kirgan, LSTM va PatchTST esa past aniqlik hududida qolgan.

Dataset 2 da qisqa ufqda ARIMA %98,25, GRU %95,18, LSTM %95,14 va Prophet %96,76 bilan yuqori aniqlik sinfida joylashgan, PatchTST esa %30,29 bilan past sinfda qolgan.

“Noto‘g‘ri prognoz ehtimoli” haqiqatan ehtimolmi?

Manba xavf yondashuvini yanada rivojlantirish uchun noto‘g‘ri prognoz ehtimolini accuracy, R², Shape-RMSE va PHEP komponentlarining funksiyasi sifatida konseptuallashtiradi:

\[ P_{wrong}=f(E_{acc},E_{R^2},E_{ShapeRMSE},E_{PHEP}) \]

So‘ng taxminiy kompozit ishonchsizlik indeksi taklif qilinadi:

\[ P_{wrong}\approx w_1E_{acc}+w_2E_{R^2}+w_3E_{SSS}+w_4E_{PHEP} \]

\[ \sum_{i=1}^{4}w_i=1 \]

Bu formula kalibrlangan statistik nosozlik ehtimoli emas. Manba ham haqiqiy noto‘g‘ri prognoz ehtimolini bevosita hisoblash qiyinligini va bu yerda kompozit predictive unreliability index bilan yaqinlashtirilganini aytadi. Bundan tashqari, birinchi tenglamada `EShapeRMSE` sifatida berilgan uchinchi komponent keyingi tenglamada izohsiz `ESSS` ga o‘zgaradi; bu manba ichidagi notation nomuvofiqligidir. Og‘irliklar uchun ham bu tadqiqotda universal yoki tajriba bilan tasdiqlangan sonlar berilmagan.

Modelni baholash uchun taklif etilgan yakuniy jarayon

Tadqiqotning eng muhim metodologik cheklovlari

Prognoz ufqi bilan ta’lim ma’lumotlari miqdori tajriba dizaynida birga o‘zgargani sababli ufqning mustaqil ta’siri ajratilmaydi. Birinchi ma’lumotlar to‘plami atigi 50 kunlik cheklangan tarixni beradi va manba mualliflari LSTM, GRU hamda Transformer ga o‘xshash modellarda ko‘rilgan deyarli tekis prognozlar yetarli ma’lumot va optimizatsiya bo‘lmasligidan kelib chiqishi mumkinligini alohida ta’kidlaydilar. Shu sababli tajriba “statistik modellar umuman chuqur o‘rganishdan yaxshiroq” degan xulosani qo‘llab-quvvatlamaydi.

Asosiy model jadvallarida ishonch intervallari yoki model reytinglarining statistik ahamiyatini ko‘rsatuvchi testlar berilmagan. Tadqiqot ta’lim oynasi sezgirligini tekshirsa-da, tavsiya etilgan 13-rasm oqimidagi tasodifiy-seed ishonchlilik testlarining barchasi asosiy taqqoslashlarda bir xil qamrovda qo‘llanganini ko‘rsatmaydi.

Xavf matritsasi oqibat og‘irligini bevosita 30, 10 va 3 kunlik oynalarga bog‘laydi; bu tasnif dala bo‘yicha universal emas. Xuddi shuningdek %95 va %80 aniqlik chegaralari amaliy ekspert fikriga asoslangan. Uskunaning haqiqiy xavfi xavfsizlik oqibati, ishlab chiqarish yo‘qotishi, texnik xizmat xarajati, ekologik ta’sir, ehtiyot qism yetkazish vaqti va noto‘g‘ri erta texnik xizmat xarajati kabi aktivga xos o‘zgaruvchilar bilan qayta kalibrlanishi kerak.

Taklif qilingan noto‘g‘ri prognoz ehtimoli hali kalibrlangan ehtimollik modeli emas va og‘irliklari tadqiqot tomonidan miqdoriy tarzda tasdiqlanmagan. Tadqiqot xulosa bo‘limida noaniqlikni miqdorlashtirish joriy tadqiqotga to‘liq integratsiya qilinmagani va kelajakdagi ish sifatida rejalashtirilgani ochiq aytiladi.

Faqat ikkita ma’lumotlar to‘plami ishlatilgan va ikkalasi ham podshipnik vibratsiya ma’lumotlariga asoslangan. Dataset 1 real shamol turbinasi sharoitlarini, Dataset 2 nazoratli run-to-failure tajribasini ifodalasa-da, natijalar boshqa uskuna sinflarida bevosita validatsiya qilinmagan.

Manbada yana Dataset 2 ning o‘rta ufq yetakchisi bayon va 8-jadval orasida turlicha berilgani, ma’lumot repository havolalaridagi nomuvofiqlik, `EShapeRMSE`/`ESSS` belgi almashishi, PatchTST/PatchTST-inspired terminologiyasi va qisqa ufq Shape-RMSE natijasining mualliflarning vizual bahosi bilan to‘liq mos kelmasligi mavjud. Bu nuqtalar maqolaning asosiy xabarini yo‘qqa chiqarmaydi, biroq takrorlanuvchanlik va o‘lchovlarning yetukligi nuqtayi nazaridan hisobga olinishi kerak.

Manba va Usul Haqida Izoh

Moliyalashtirish, etika va manfaatlar to‘qnashuvi

Mualliflar tadqiqot tashqi moliyalashtirish olmaganini bildirgan. Institutional Review Board va xabardor qilingan rozilik maydonlari “qo‘llanilmaydi” deb ko‘rsatilgan. Mualliflar manfaatlar to‘qnashuvi yo‘qligini e’lon qilganlar.

Ma’lumotlar mavjudligi

Manba tadqiqot ikki asosiy ma’lumotlar to‘plami ochiq repository lardan olinganini bildiradi. Birinchi ma’lumotlar to‘plami shamol turbinasi yuqori tezlikli podshipnik prognosis ma’lumotlari, ikkinchisi IMS bearing run-to-failure ma’lumotlar to‘plamidir. Biroq asosiy matndagi repository tushuntirishlari bilan [46] va [47] raqamli manba yozuvlari yo‘nalishlari to‘liq mos kelmagani sababli mustaqil takrorlashda asl ma’lumot repository si va versiyasi alohida tekshirilishi kerak.

Muallif hissalari

Idriss El-Thalji, Ali Usman va Waqar Ali konseptualizatsiya, dasturiy ta’minot, validatsiya, formal tahlil, tadqiqot, ma’lumotlar kuratsiyasi, dastlabki qoralama, ko‘rib chiqish va vizualizatsiyaga hissa qo‘shgan. Metodologiya Idriss El-Thalji va Ali Usman tomonidan bajarilgan. Resurslar, nazorat, loyiha boshqaruvi va moliyalashtirishni jalb qilish Idriss El-Thalji tomonidan bajarilgan.

Manbaga sodiqlik nuqtayi nazaridan muhim qayd

Manba matnda Dataset 2 ning o‘rta prognoz ufqida Prophet eng yaxshi model deb aytiladi; biroq 8-jadval ARIMA uchun %82,04, Prophet uchun %81,03 ko‘rsatadi. Verianla matnida jadval qiymatlari o‘zgartirilmasdan saqlangan va bayon–jadval nomuvofiqligi ochiq ko‘rsatilgan.

Manba 1-jadval modelni “PatchTST-inspired” deb ta’riflagan, natija bo‘limlari esa “PatchTST” nomidan foydalanadi. Shu sababli natijalar kanonik PatchTST arxitekturasining mustaqil va to‘liq benchmark i sifatida taqdim etilmagan.

Shape-RMSE qisqa ufqda PatchTST uchun 0,0540 va Prophet uchun 0,0681 beradi. Matematik o‘lchovga ko‘ra PatchTST yaxshiroq ko‘rinsa-da, manba mualliflarining vizual tekshiruvi Prophet real degradatsiya egri chizig‘ini yaxshiroq kuzatishini aytadi. Manbaning o‘zi bu juda qisqa oynalarda Shape-RMSE bir o‘zi yetarli bo‘lmasligini ko‘rsatishini bildiradi.

Noto‘g‘ri prognoz xavfining kompozit formulasida birinchi ko‘rsatishda `EShapeRMSE`, keyingi tenglamada esa ta’rifsiz `ESSS` ishlatilgan. Bundan tashqari, ushbu kompozit indeks uchun og‘irliklarning tajribaviy kalibratsiyasi va haqiqiy noto‘g‘ri prognoz ehtimoliga qarshi validatsiyasi joriy tadqiqotda bajarilmagan.

Natijalarning eng xavfsiz talqini shuki, RUL modelining texnik xizmat uchun mosligi faqat bitta xato metrikasi yoki bitta vaqt ufqi bilan baholanmasligi kerak. Tadqiqot bu yondashuvni ikkita podshipnik ma’lumotlar to‘plamida ko‘rsatadi, biroq taklif qilingan xavfga asoslangan doirani turli aktiv sinflari, mustaqil ma’lumotlar to‘plamlari va noaniqlikni miqdorlashtirish bilan kengroq validatsiya qilish zarur.