Key points are not available for this paper at this time.
تزيد اكتشافات مشاكل المحامل من أهمية عمر خدمة الآلات الدوارة. تُستخدم الشبكات العصبية التلافيفية (CNNs) غالبًا في الأبحاث الحالية، وقد حسّنت قواعد البيانات المبنية على نماذج التعلم العميق (DL) من القدرات في مجال تشخيص العيوب. نستخدم مجموعة بيانات جامعة كيس ويسترن ريزيرف (CWRU) المتاحة للعامة لمقارنة دقة التصنيف واكتساب مزيد من المعرفة والرؤى التكيفية حول المنهج المقترح. يتم إجراء اختبارات وتقييمات شاملة على مجموعة البيانات للتحقق من فعالية التشخيص للطريقة الموصى بها في مواقف مختلفة. لإظهار تفوق الطريقة المقترحة، نقارن بين وجهات نظر متعددة لنفس مجموعة البيانات مع مهام مماثلة. تدعم CNN التسلسلات المُنخفضة لتحقيق المؤشر لتقليل الضوضاء وإيقاف الاهتزازات الزمنية. تُستخدم نموذج CNN-BiLSTM جديد لالتقاط بيانات التفتيش الحالية والتاريخية وتوقع عمر الخدمة لمعدل الخدمة ومستويات الطاقة المدعومة. بالنسبة للإنتاج، نتابع معدلات الصحة. تم تقييم الطريقة المقترحة من خلال تسريع حركة المحمل إلى الفشل، وأظهرت النتائج مزاياها من حيث توقع عمر الخدمة بدقة أكبر. وفقًا للنتائج التجريبية، فإن الطريقة المقترحة لقياس المسافة المركزية هي وسيلة جديدة وقيمة لتشخيص المحامل الذكية. تُظهر النتائج التجريبية باستخدام مجموعتي بيانات CWRU 48 K و12 K أن الدقة العامة لطريقة BiLSTM هي 99.80% و98.3% على التوالي، مما يجعلها أفضل في التشخيص من بعض النماذج الشائعة.
قام بَلَامُورُوجَان وآخرون (الأربعاء) بدراسة هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: