شبكات الأعصاب العميقة مع معالجة المدخلات لتشخيص أعطال المحامل المستند إلى الاهتزاز تحت ظروف البيانات غير المتوازنة

شبكات التعلم العميق (DL)، مثل الشبكات العصبية الالتفافية (CNNs) وذاكرة المدى القصير والطويل (LSTM)، اكتسبت شعبية لتشخيص أعطال المحامل باستخدام إشارات الاهتزاز الخام. ومع ذلك، فإن دقتها واستقرارها تتعرضان للخطر عند مواجهة مجموعات بيانات حقيقية غير متوازنة. تبحث هذه الدراسة في تأثير مجموعات البيانات غير المتوازنة وتستكشف إمكانيات تقنيات معالجة الإشارات على مدخلات الشبكة مقارنة بالاستخدام المباشر لإشارات الاهتزاز الخام. تشمل تقنيات DL المدروسة LSTM، وCNN أحادية الأبعاد، وCNN ثنائية الأبعاد (2D)، وخوارزمية هجينة جديدة 2DCNNLSTM، تضيف طرق معالجة الإشارات مثل تحويل فورييه وتحويل الموجات المستمرة مع الحفاظ على معلمات متساوية تقريبًا ونفس الهيكل الأساسي. تجمع الخوارزمية الهجينة 2DCNNLSTM بين مزايا LSTM وCNN، مما يسمح بتحسين تشخيص المحامل من خلال التقاط المعلومات المكانية والزمانية في إشارات الاهتزاز. تأخذ خوارزمية 2DCNNLSTM المقترحة أيضًا في الاعتبار إدخال متعدد القنوات لتعزيز إشارة الاهتزاز الخام، ومتوسط وشبكات التباين لاستخراج ميزات ذات مغزى وزيادة كفاءة التصنيف. يتم استخدام مجموعة بيانات اختبار المحامل القياسية من جامعة كيس ويسترن ريزيرف المتاحة للجمهور مع عشر فئات عطل، ومجموعة بيانات جامعة بادربورن مع ثلاث فئات، ومجموعات بيانات مركز ناسا للأنظمة الذكية للصيانة مع خمس فئات عطل لاختبار دقة وفعالية وموثوقية واستقرار الشبكات العميقة المقترحة. تكشف الدراسات أن الشبكات المعتمدة على 2DCNNLSTM تتفوق على كل من الشبكات CNN وLSTM، حتى بدون معالجة المدخلات. علاوة على ذلك، فإن استخدام إدخال متعدد القنوات من خلال تعزيز الإشارة الخام ثنائية الأبعاد بقنوات القيمة المتوسطة والتباين يثبت أنه أكثر كفاءة في التعامل مع مجموعات البيانات غير المتوازنة والمعقدة أثناء استخدام شبكة معتمدة على 2DCNNLSTM.