Tadqiqot elektr dvigatellarida nosozlik ma’lumotlari sog‘lom ishlash ma’lumotlariga qaraganda ancha kam uchrashi tufayli yuzaga keladigan sinflar nomutanosibligi muammosiga qaratilgan. Tadqiqotchilar uch fazali stator toki bilan tebranish o‘lchovlarini birgalikda qo‘llaydigan va kam vakillangan nosozlik sinflari uchun sun’iy spektral namunalar hosil qiladigan SWGAN nomli usulni ishlab chiqmoqda. SWGAN shartli Wasserstein GAN tuzilmasini spektrdagi bir-biridan uzoq chastota komponentlari orasidagi munosabatlarni ushlash uchun self-attention hamda adversarial o‘qitish barqarorligini oshirish uchun gradient normalization bilan birlashtiradi.

Usul xom signalni bevosita tasniflamaydi. Tebranish kanalida Hilbert o‘zgartirishi orqali qobiq spektri; uch fazali tokda esa Clarke o‘zgartirishidan so‘ng fazo-vektor kattaligining spektri olinadi. SWGAN soni kam bo‘lgan nosozlik sinflarini ushbu spektral fazoda sintetik namunalar bilan to‘ldiradi. Haqiqiy va hosil qilingan tok/tebranish xususiyatlari keyin ikkita alohida kodlash tarmog‘ida qayta ishlanib, xususiyatlar darajasida birlashtiriladi va SAE asosidagi tasniflagichga uzatiladi.

Tadqiqotning batafsil natijalariga ko‘ra, doimiy tezlikdagi PMSM ma’lumotlar to‘plamida o‘rtacha darajadagi sinf nomutanosibligi bo‘lgan Case A holatida SWGAN %97,81 ± 0,53 aniqlikka erishdi. Og‘irroq Case B sharoitida aniqlik %93,77 ± 1,12 gacha pasaygan bo‘lsa-da, WCGAN, ACGAN, DCGAN va ma’lumotlarni ko‘paytirishsiz SAE bazaviy chizig‘idan yuqori bo‘lib qoldi. O‘zgaruvchan tezlikdagi asinxron dvigatel ma’lumotlar to‘plamida ham sinf nomutanosibligi kamaygan sari SWGAN afzalligi yaqqolroq ko‘rindi; Shakl 24 da 1:10, 1:5 va 1:2 sharoitlarida mos ravishda %81,3, %91,7 va %95,9 aniqlik qayd etilgan.

Natijalar sintetik ma’lumot har qanday holatda haqiqiy ma’lumotga teng degani emas. Eng keskin ma’lumot tanqisligi sharoitlarida GAN usullari o‘rtasidagi unumdorlik farqi kamayadi; ya’ni atigi bir necha haqiqiy nosozlik namunasi mavjud bo‘lsa, generativ model o‘rganishi mumkin bo‘lgan axborot ham cheklangan bo‘ladi. Tadqiqot, shuningdek, sintetik namunalar haqiqiy taqsimotga qanchalik yaqinligini JS divergence, cosine distance, t-SNE va UMAP yordamida baholaydi, biroq hosil qilingan signallarni jismoniy dvigatelda qayta hosil qilib o‘lchamaydi.

Turkiya nuqtayi nazaridan ushbu yondashuv sanoat dvigatellari, ishlab chiqarish mashinalari yoki texnik xizmat ko‘rsatish tizimlarida kam uchraydigan nosozlik sinflari bo‘yicha ma’lumot yetishmasligi kuzatiladigan tadqiqotlar uchun ko‘rib chiqilishi mumkin. Biroq tadqiqot Turkiyadagi biror zavod, dvigatel parki yoki texnik xizmat infratuzilmasida o‘tkazilmagan. Mahalliy qo‘llash uchun haqiqiy dvigatel turlari, sensor joylashuvi, yuk/tezlik profillari va nosozlik taqsimotlari bilan qayta o‘qitish hamda mustaqil tekshirish zarur; tadqiqotdagi aniqlik qiymatlarini to‘g‘ridan-to‘g‘ri mahalliy dala unumdorligi deb qabul qilib bo‘lmaydi.

Dvigatel nosozligini tashxislashda sinf nomutanosibligi nega muammo?

Dvigatel normal holatda uzoq vaqt ishlashi mumkin, ayrim nosozliklar esa kamdan-kam yuz beradi. Shu sababli ma’lumotlar bazasida sog‘lom ishlash namunalari ko‘p, ayniqsa muayyan nosozlik turlari yoki past darajadagi nosozliklar namunalari esa kam bo‘lishi mumkin.

Chuqur o‘rganish tasniflagichi ushbu nomutanosib taqsimot bilan o‘qitilganda ko‘pchilik sinf xususiyatlarini yaxshiroq o‘rganadi, kam uchraydigan nosozlik sinflarining qaror chegaralarini esa yetarlicha o‘rganmasligi mumkin. Tadqiqotning yechim yondashuvi haqiqiy ozchilik ma’lumotini shunchaki nusxalash o‘rniga uning taqsimotini o‘rganib, yangi sintetik namunalar yaratishdir.

Nega ikkita turli sensor ishlatiladi?

Tadqiqot elektr va mexanik nosozlik axboroti bir-birini to‘ldirishi mumkin degan farazga tayangan. Stator toki elektromagnit buzilishlarni aks ettirsa, tebranish signallari mexanik javob va tuzilmadagi o‘zgarishlarni tashiydi.

Shu sababli usul bitta sensordan namuna yaratish o‘rniga tok va tebranishning spektral xususiyatlarini birgalikda qo‘llaydi. Biroq manbada generatsiya bosqichi ushbu ikki modalitet o‘rtasida maxsus umumiy izchillik yo‘qotishi bilan o‘qitilgani ko‘rsatilmagan; hosil qilingan modalitetlar keyin xususiyatlar darajasida birlashtiriladi.

Tebranish signali qanday tayyorlanadi?

Tebranish signali avval tanlangan rezonans sohasi atrofida polosali o‘tkazuvchi filtrdan o‘tkaziladi:

\[ x_f(t)=B\{x(t)\} \]

So‘ng Hilbert o‘zgartirishi bilan analitik signal hosil qilinadi:

\[ z(t)=x_f(t)+jH[x_f(t)] \]

Qobiq amplitudasi:

\[ a(t)= \sqrt{x_f^2(t)+H[x_f(t)]^2} \]

ko‘rinishida hisoblanadi. Uning Fourier o‘zgartirishining mutlaq qiymati tebranish qobig‘i spektrini beradi:

\[ E(f)=|\mathcal{F}\{a(t)\}| \]

Bu amal mexanik zarbalar hosil qiladigan modulyatsiya komponentlarini ajratib ko‘rsatish uchun qo‘llanadi.

Uch fazali tokdan qaysi xususiyat olinadi?

U, V va W fazalariga mos uch fazali toklar Clarke o‘zgartirishi orqali sobit αβ koordinata tizimiga o‘tkaziladi:

\[ \begin{bmatrix} i_\alpha(t) \\ i_\beta(t) \end{bmatrix} = \frac{2}{3} \begin{bmatrix} 1 & -1/2 & -1/2 \\ 0 & \sqrt{3}/2 & -\sqrt{3}/2 \end{bmatrix} \begin{bmatrix} i_a(t)\\ i_b(t)\\ i_c(t) \end{bmatrix} \]

Fazo-vektor kattaligi:

\[ i_s(t)= \sqrt{i_\alpha^2(t)+i_\beta^2(t)} \]

ko‘rinishida olinadi va keyin:

\[ S(f)=|\mathcal{F}\{i_s(t)\}| \]

orqali tok spektri yaratiladi. Har ikki modalitet uchun ishlatilgan yakuniy spektral uzunlik 2400 nuqtadir.

SWGAN nimani o‘zgartiradi?

Asosiy model shartli Wasserstein GAN hisoblanadi. Tasodifiy shovqin va nosozlik sinfi yorlig‘i generatorga berilib, muayyan nosozlik sinfiga tegishli spektr hosil qilish maqsad qilinadi.

SWGAN ning ikkita asosiy qo‘shimcha komponenti mavjud:

• Self-attention: Spektral ketma-ketlikda bir-biridan uzoqda joylashgan, biroq bir xil nosozlik imzosining qismi bo‘lishi mumkin bo‘lgan komponentlar orasida bog‘lanish o‘rnatishga qaratilgan.
• Gradient normalization: Discriminator o‘qitilishi vaqtida gradient masshtabini normallashtirib, adversarial o‘qitishning barqarorroq borishini maqsad qiladi.

Manbada GN spectral normalization singari har bir qatlam og‘irliklarini cheklaydigan mexanizm emas, balki o‘qitish darajasida qo‘llanadigan gradient masshtablash yondashuvi sifatida ta’riflanadi. Gradient penalty usulidan farqli ravishda qo‘shimcha interpolatsiya namunalari va sozlanadigan jarima koeffitsiyenti talab qilmasligi ta’kidlanadi.

Self-attention spektr ichida qanday ishlaydi?

Kirish xususiyatlari uch xil o‘zgartirish orqali query-ga o‘xshash, key-ga o‘xshash va value-ga o‘xshash tasvirlarga ajratiladi. Ikki xususiyat orasidagi xom diqqat munosabati:

\[ a_{i,j}=f(x_i)^Tg(x_j) \]

orqali hosil qilinadi va softmax yordamida og‘irlikka aylantiriladi. Og‘irliklangan xususiyatlar keyin o‘rganiladigan \(\gamma\) koeffitsiyenti orqali asl xususiyat xaritasiga qo‘shiladi:

\[ y_i=\gamma o_i+x_i \]

Shu tariqa CNN ning mahalliy naqshlarni ushlash qobiliyati bilan self-attention ning uzoqroq spektral munosabatlarni og‘irliklash xususiyati bitta generator ichida birlashtiriladi.

Hosil qilingan ma’lumotdan tashxisga qanday o‘tiladi?

Tebranish va tok spektrlarining har biri alohida 512 o‘lchamli xususiyat tasviriga kodlanadi. Ikki tasvir birlashtirilib 1024 o‘lchamli kirish hosil qilinadi va bu tasvir 512 o‘lchamli fusion qatlamidan o‘tkaziladi. Keyin 256 va 128 o‘lchamli yashirin qatlamlar hamda SoftMax chiqishi orqali nosozlik sinfi aniqlanadi.

Tadqiqot qo‘llab-quvvatlaydigan natijalar

• SWGAN ikki xil dvigatel ma’lumotlar to‘plamida nomutanosib o‘quv ma’lumotini sintetik spektrlar bilan qo‘llab-quvvatlaganda taqqoslangan GAN usullarining ko‘pchiligidan yuqori tashxis aniqligini ta’minlagan.
• SWGAN hosil qilgan namunalar tadqiqotda qo‘llangan JS divergence va cosine distance mezonlarida DCGAN, ACGAN va WCGAN ga qaraganda haqiqiy ma’lumotlarga yaqinroq taqsimotlarni ko‘rsatgan.
• Self-attention va gradient normalization komponentlaridan birgalikda foydalanish, ayniqsa yetarli miqdorda boshlang‘ich namuna bo‘lganda, ablatsiya tajribalarida unumdorlikni oshirgan.
• Gradient normalization ishlatilgan model manbada ko‘rsatilgan yo‘qotish egri chiziqlarida GP ishlatilgan taqqoslashga qaraganda dinamik muvozanatga ertaroq yetgani qayd etilgan.
• Tok va tebranish axborotidan birgalikda foydalanish ayrim nomutanosiblik sharoitlarida bitta modalitetli taqqoslashlarga nisbatan afzallik bergan.
• Usul doimiy tezlikdagi PMSM ma’lumotlaridan tashqari, o‘zgaruvchan tezlikdagi asinxron dvigatel ma’lumotlar to‘plamida ham qo‘llangan.

Tadqiqot qo‘llab-quvvatlamaydigan natijalar

• Sintetik spektrlar haqiqiy dvigatel jismonan hosil qilishi mumkin bo‘lgan har bir tafsilotni to‘g‘ri ifodalashi isbotlanmagan.
• SWGAN ning real vaqt rejimidagi sanoat dvigatelida onlayn ishlashi ko‘rsatilmagan.
• Usul har bir dvigatel turi, sensor tizimi yoki nosozlik oilasida bir xil aniqlik berishi ko‘rsatilmagan.
• Eng keskin ma’lumot tanqisligida generativ modelning yaqqol ustunligi ko‘rsatilmagan; atigi bir necha haqiqiy nosozlik namunasi bo‘lsa, GAN usullari bir-biriga yaqin natijalar beradi.
• Ikki sintetik modalitet o‘rtasida jismoniy sinxronlikni majburlovchi maxsus umumiy generatsiya yo‘qotishi yoki cross-modal consistency mezoni aniq ko‘rsatilmagan.
• Maqoladagi aniqlik qiymatlari to‘g‘ridan-to‘g‘ri prediktiv texnik xizmat xarajati, rejadan tashqari to‘xtashning kamayishi yoki sanoat ishonchliligi oshishini anglatmaydi.

Turkiyadagi qo‘llanmalar uchun bu nimani anglatadi?

Turkiyadagi korxona nuqtayi nazaridan usulning asosiy potensial qo‘llanish sohasi ko‘plab normal ishlash yozuvlari mavjud bo‘lsa-da, ayrim nosozlik turlari kam kuzatiladigan dvigatel monitoring tizimlaridir. Biroq tadqiqotdagi dvigatellar, sensor namunalash sxemalari va nosozlik taqsimotlari mahalliy korxonani to‘g‘ridan-to‘g‘ri ifodalamaydi. Amalda qo‘llashdan oldin tegishli dvigatel oilasidan haqiqiy sog‘lom va nosoz yozuvlarni yig‘ish, SWGAN ni shu taqsimot bilan qayta o‘qitish hamda sintetik ma’lumot qo‘shishdan oldin va keyin mustaqil test to‘plamidagi xato turlarini alohida baholash kerak.

Tadqiqot usuli va natijalari

SWGAN tarmoq tuzilmasi

Manbada label o‘lchami sakkiz deb ko‘rsatilgan bo‘lsa-da, asosiy tajribalarda o‘n sinf ishlatiladi. Sakkiz o‘lchamli shartli tasvirning o‘n sinfga qanday moslashtirilgani tushuntirilmagani uchun ushbu arxitektura tafsiloti qayta ishlab chiqarish nuqtayi nazaridan noaniqdir.

O‘qitish konfiguratsiyasi

Bu qiymatlar manbada qanday berilgan bo‘lsa, shunday keltirilgan; dasturiy va apparat versiyalari tashqi manba asosida tuzatilmagan.

Dataset A: doimiy tezlikdagi PMSM stator nosozliklari

Birinchi ma’lumotlar to‘plami uch fazali doimiy magnitli sinxron dvigatellardan olingan tok va tebranish yozuvlarini o‘z ichiga oladi. Ma’lumot manbasida 1,0 kW, 1,5 kW va 3,0 kW quvvatli uchta dvigatel mavjud. O‘lchovlar 3000 rpm doimiy tezlikda bajarilgan. Tebranish o‘q yo‘nalishida, dvigatel podshipnigiga o‘rnatilgan akselerometr bilan 25,6 kHz da; U, V va W faza toklar esa tok zondlari bilan 100 kHz da namunalangan.

Stator qisqa tutashuv nosozliklari U fazasida sun’iy ravishda yaratilgan. Bir xil g‘altak o‘ramlari orasidagi qisqa tutashuv inter-turn, qo‘shni g‘altaklar orasidagi qisqa tutashuv esa inter-coil sifatida modellashtirilgan. Bypass qarshiligi kamaygan sari qisqa tutashuv og‘irligi ortadi:

\[ FaultRatio= \left( \frac{R}{R+R_{\mathrm{bypass}}} \right)\times100 \]

Haqiqiy va sintetik namunalar bir-biriga o‘xshaydimi?

Tadqiqot faqat tasniflash aniqligiga qaramaydi. Haqiqiy va hosil qilingan spektrlarning o‘xshashligini Jensen–Shannon divergence va cosine distance orqali baholaydi. Har ikki metrikda ham past qiymat yuqori o‘xshashlikni anglatadi.

IT1, IT3 va IC3 namunalarining 20 marta takrorlangan violin grafiklarida SWGAN taqsimotlari taqqoslangan DCGAN, ACGAN va WCGAN modellariga nisbatan pastroq JS divergence va cosine distance hududlarida to‘plangani ko‘rsatilgan. Biroq ushbu grafiklarda manba to‘liq sonli o‘rtacha qiymatlar jadvallarini bermagani uchun ko‘z bilan taxminiy raqamlar hosil qilinmagan.

PMSM sinf nomutanosibligi natijalari

Haqiqiy sinf nomutanosibligi ko‘rib chiqilgan Case A va Case B da sog‘lom sinf 200 ta o‘quv namunasi bilan saqlangan, nosozlik sinflari esa turli miqdorlargacha kamaytirilgan. SWGAN va boshqa GAN usullari ozchilik sinflarini 1:1 o‘quv nisbatigacha to‘ldirish uchun qo‘llangan.

Case B da barcha usullarning muvaffaqiyati pasaygan. Bu natija ayniqsa muhim: generativ ma’lumotlarni ko‘paytirish haqiqiy nosozlik axborotini to‘liq almashtirmaydi. Boshlang‘ich ozchilik ma’lumoti yanada kamaytirilganda SWGAN ning o‘zi ham unumdorlikni yo‘qotgan.

Dataset B: o‘zgaruvchan tezlikdagi asinxron dvigatel

Ikkinchi ma’lumotlar to‘plamida 2,2 kW uch fazali asinxron dvigatel, moment sensori, ikki bosqichli parallel tishli quti va magnit kukunli tormozdan iborat tajriba qurilmasi ishlatilgan. Uch o‘qli tebranish, uch fazali tok, moment va key-phase signallari sinxron ravishda 12,8 kHz da to‘plangan.

Tadqiqotda 20 Nm doimiy yuk ostida 0–1000 rpm o‘zgaruvchan tezlikdagi ishlash holati tanlangan.

O‘zgaruvchan tezlikda ma’lumot miqdori kamayganda nima bo‘ldi?

Sog‘lom sinf 200 ta o‘quv namunasida saqlangan, to‘qqizta nosozlik sinfi esa 4, 10, 20, 40, 100 va 200 namuna darajalarida sinovdan o‘tkazilgan. Har bir sinfda test to‘plami 200 ta haqiqiy namuna sifatida saqlangan.

Bu natijalarda muhim tafsilot bor. Eng og‘ir 1:50 sharoitida SWGAN %49,9 bilan barcha usullarning eng yaxshisi emas; WCGAN %50,1 natija bergan. 1:20 sharoitida ham ACGAN %58,8 bilan SWGAN ning %58,2 qiymatidan biroz yuqori. SWGAN ning yaqqol afzalligi ayniqsa 1:10, 1:5 va 1:2 oralig‘ida yuzaga chiqadi.

1:1 holatida esa ma’lumotlarni ko‘paytirishsiz SAE %98,1, SWGAN esa %97,9 natija ko‘rsatgan. Demak, yetarli haqiqiy ma’lumot mavjud bo‘lganda sintetik ma’lumotdan foydalanish haqiqiy ma’lumotdan ustun degan xulosani ushbu grafikdan chiqarib bo‘lmaydi.

Ablatsiya tajribasi self-attention va GN haqida nima deydi?

Besh holatli qo‘shimcha tajribada taklif etilgan to‘liq model gradient penalty ishlatgan variant, self-attention siz variant, faqat tebranish va faqat tok usullari bilan taqqoslangan.

To‘liq SWGAN tuzilmasi 1:10 dan boshlab ushbu jadvalda eng yuqori aniqlikka erishgan. Aksincha, 1:50 va 1:20 kabi o‘ta ma’lumot tanqisligida faqat tok yondashuvi yuqoriroq natija bergan. Bu ham model komponentlarining afzalligi boshlang‘ich haqiqiy namuna miqdoriga bog‘liqligini ko‘rsatadi.

Yo‘qotish egri chiziqlarida gradient normalization ishlatgan to‘liq model taxminan 120 epoch dan keyin dinamik muvozanatga o‘tgani, gradient penalty varianti esa taxminan 160 epoch dan keyin o‘xshash muvozanatga yaqinlashgani aytiladi. Bu kuzatuv o‘qitish barqarorligi ko‘rsatkichidir; manbada buning uchun alohida statistik yaqinlashuv testi berilmagan.

Asosiy metodik cheklovlar

• Hosil qilingan namunalar haqiqiy dvigatelda jismonan qayta o‘lchanmagan.
• SWGAN asosan oflayn augmentation uchun ishlatilgan; real vaqtli embedded qo‘llash bajarilmagan.
• Tasniflagich bahosi ayni ma’lumotlar to‘plamlaridan ajratilgan test qismlari bilan amalga oshirilgan; mustaqil sanoat dala ma’lumotlar to‘plamida tekshirish taqdim etilmagan.
• Ko‘p-modal generatsiyaning modalitetlararo jismoniy izchilligi uchun alohida miqdoriy consistency metrikasi qayd etilmagan.
• Case C va Case D ning aniq o‘rtacha aniqliklari natijalar matnida sonli jadval ko‘rinishida berilmagan; shu sababli grafik tasviridan yangi aniq qiymatlar chiqarilmagan.
• Manba ichida annotatsiya, jadval va usul tavsiflari orasida ayrim sonli va terminologik nomuvofiqliklar mavjud.

Manba va usul haqida izoh

Asl tadqiqot: Generative Dual-Modal Data Augmentation for Motor Fault Diagnosis Under Sample Imbalance.

Mualliflar va ularning tartibi: Ganxin Jie; Cailiang Zhang; Junqing Ma; Yang Yang; Chuan Chen.

Mas’ul muallif: Cailiang Zhang. Manbada teng birinchi muallif/teng hissa bayonoti yo‘q.

Muassasalar: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd.; Yangjiang Offshore Wind Power Laboratory; School of Software & Internet of Things Engineering, Jiangxi University of Finance and Economics; General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd.; Ocean College, Zhejiang University.

Jurnal: Machines. Nashriyot: MDPI. Jild: 14. Maqola: 633. Nashr sanasi: 1 Iyun 2026. DOI: 10.3390/machines14060633. Rasmiy havola: https://doi.org/10.3390/machines14060633

Manba turi va hakamlik holati: Hakamlikdan o‘tgan tadqiqot maqolasidir. Tadqiqot 12 Aprel 2026 da kelib tushgan, 8 May 2026 da qayta ko‘rib chiqilgan va 11 May 2026 da qabul qilingan.

Litsenziya: Creative Commons Attribution (CC BY) ochiq kirish litsenziyasi.

Moliyalashtirish: State Key Laboratory of Environmental Adaptability for Industrial Products, China National Electric Apparatus Research Institute Co., Ltd. tomonidan 2025EASKJ-010 raqamli loyiha bilan qo‘llab-quvvatlangan.

Ma’lumotlarning mavjudligi: Dataset A KAIST tadqiqot guruhi e’lon qilgan ochiq uch fazali PMSM stator nosozligi ma’lumotlar to‘plamidan; Dataset B esa Tsinghua University tadqiqot guruhining o‘zgaruvchan ish sharoitlaridagi uch fazali asinxron dvigatel nosozligi ma’lumotlar to‘plamidan olingan. Maqolada har ikki manba uchun Mendeley Data havolalari berilgan.

Manfaatlar to‘qnashuvi va moliyalashtiruvchi bayonoti: Ganxin Jie, Yang Yang va Chuan Chen ning China National Electric Apparatus Research Institute Co., Ltd. hamda General Machinery Key Core Components Innovation Center (Anhui) Co., Ltd. bilan mehnat munosabatlari oshkor qilingan. Manbaga ko‘ra, moliyalashtiruvchi tadqiqot dizayni, ma’lumot yig‘ish, tahlil, talqin, yozish yoki nashr qilish qarorida ishtirok etmagan.

Muallif hissalari: Konseptuallashtirish J.M. va C.Z.; metodologiya J.M.; dasturiy ta’minot J.M.; tekshirish C.Z.; resurslar C.C.; dastlabki qoralama J.M.; ko‘rib chiqish va tahrirlash C.Z.; maslahat G.J.; loyiha boshqaruvi Y.Y.; moliyalashtirishni olish G.J. tomonidan amalga oshirilgan.

Ushbu Verianla maqolasidagi ilmiy usul, arxitektura, tenglamalar, ma’lumotlar to‘plamlari, tashxis natijalari va cheklovlar faqat ko‘rib chiqilgan tadqiqotga asoslangan. Tashqi manba tekshiruvi faqat bibliografik nashr identifikatori uchun ishlatilgan; tashqaridan yangi unumdorlik natijasi yoki tajriba topilmasi qo‘shilmagan.

Manba ichidagi ayrim muhim nomuvofiqliklar saqlangan. Annotatsiyada berilgan ayrim eng yuqori aniqlik qiymatlari batafsil natija jadvallari va grafiklaridagi qiymatlarga to‘liq mos kelmaydi. SWGAN arxitekturasida label o‘lchami sakkiz deb yozilgan bo‘lsa-da, asosiy tasniflash tajribalari o‘n sinflidir. Dataset A ning ayrim bo‘limlarida “limited training set” va “imbalance ratio” terminologiyasi bir-biriga to‘liq mos emas. Case A/B jadvalidagi 2000 W dvigatel qiymati avval ta’riflangan 1000, 1500 va 3000 W dvigatel quvvatlariga mos kelmaydi. Ablatsiya bo‘limida ma’lumotlar to‘plami xato ravishda “bearing dataset” deb atalgan va IT1 og‘irligi ikki xil qiymat bilan berilgan. Bu noaniqliklar jim holda tuzatilmagan.

Tadqiqotning asosiy ilmiy qiymati self-attention va gradient normalization ni o‘z ichiga olgan shartli generativ modelning ozchilik dvigatel nosozligi sinflarini tok va tebranish spektrlari bilan qo‘llab-quvvatlashini ikki xil dvigatel ma’lumotlar to‘plamida sinashidir. Biroq natijalar real vaqtli embedded dala tashxisi yoki hosil qilingan namunalar jismoniy jihatdan aynan haqiqiy ekaniga to‘g‘ridan-to‘g‘ri dalil bermaydi.