نمذجة زمنية هجينة وتعزيز توليدي لاكتشاف الشذوذ في سلاسل الزمن متعددة المتغيرات غير المتوازنة في الأنظمة الهندسية

الملخص تعد بيانات سلاسل الزمن متعددة المتغيرات (MTS) مركزية في الأنظمة الهندسية، حيث تتيح تدفقات إشارات المستشعر تحليل الاتجاهات، واكتشاف الشذوذ، واكتشاف أنماط التشغيل - مما يدعم الصيانة التنبؤية ومراقبة الجودة. ومع ذلك، فإن تحليل MTS لا يزال يمثل تحديًا: الأعطال نادرة، وغير متوازنة بشدة، وم embedded في سياقات طويلة مع أنماط متداخلة. تتطلب هذه التحديات نماذج تلتقط الاعتماديات الممتدة وتتركز على الفترات الأكثر إعلامية. لمعالجة ذلك، نقوم بتصميم بنية هجينة للتعلم العميق تدمج وحدات متكررة لديناميات الأفق الطويل، وطبقات انتباه للخطوات الزمنية الحرجة، وعمليات تلافيف زمنية لأنماط محلية متعددة المقاييس. نقترح GAT-Net (GRU–Attention–Temporal Convolutional Network)، وهو كاشف شذوذ MTS قوي من البداية إلى النهاية. نظرًا لأن عدم التوازن الشديد في الفئات يبقى العقبة السائدة، نقوم بتمديد الهيكل الأساسي باستخدام استراتيجية تعزيز توليدية، مطورين DA-GAT-Net (Data-Augmented GAT-Net). يستخدم GAN شرطي مدرك للقطع لتوليد قطع الأعطال النادرة المشروطة بالسياق المحلي ويدرجها زمنيًا، محافظًا على الاستمرارية الزمنية والارتباطات عبر المستشعرات. نقيم أطرنا على مجموعة بيانات معيارية صناعية. تتفوق على الأساليب المتطورة، مع تحقيق الامتداد التوليدي أكبر المكاسب في الاسترجاع و F1-score. كما نوضح أن الحساسية ترتفع بشكل حاد مع كمية معتدلة من الشذوذ الاصطناعي لكن تستقر بعد نسبة متوازنة، مما يبرز الحاجة إلى توليد منضبط يحافظ على الهيكل. بشكل عام، تسلط هذه الدراسة الضوء على كيف يمكن أن تعزز نمذجة الزمن المدفوعة بالانتباه مع التعزيز التوليدي اكتشاف الأعطال في الأنظمة الهندسية حيث تحمل الشذوذات الفائتة تكاليف تشغيلية عالية.