طريقة نقل التعلم القائمة على CNN-DLSTM القابلة للتشويه لتشخيص أعطال المحامل الدائرية تحت ظروف عمل متعددة

تستخدم طرق التعلم الآلي على نطاق واسع لتشخيص أعطال المحامل الدائرية. يعتمد معظمها على افتراض أساسي مفاده أن بيانات التدريب والاختبار كافية وتتبع نفس التوزيع. ومع ذلك، بالنسبة للمحامل التي تعمل تحت ظروف عمل متعددة، فإن التغيرات الديناميكية لا مفر منها وغالبًا ما تكون بيانات الاهتزاز المعلّمة غير كافية. للتعامل مع هذه القضايا، تم تصميم طريقة جديدة لتشخيص الأعطال باستخدام الشبكة العصبية الالتفافية القابلة للتشويه (CNN)، وذاكرة طويلة وقصيرة الأمد العميقة (DLSTM) واستراتيجيات نقل التعلم. على وجه الخصوص، يتم بناء نموذج من خلال دمج CNN القابلة للتشويه، وDLSTM، والطبقات الكثيفة. من بينها، تعزز CNN القابلة للتشويه قدرة الشبكات العصبية الالتفافية القياسية على استخراج الميزات المحلية باستخدام هياكل هندسية ثابتة. يقوم DLSTM أيضًا بترميز المعلومات التسلسلية الموجودة في مخرجات CNN القابلة للتشويه. يتم تطبيق الطبقات الكثيفة لالتقاط الميزات عالية المستوى ثم تصنيف عينات البيانات حسب كل نوع من الأعطال. يتم تدريب النموذج أولاً باستخدام عينات البيانات تحت شرط عمل واحد. ثم، يتم تطبيق استراتيجيات نقل التعلم لضبط النموذج المدرب مسبقًا عن طريق استخدام عدد قليل جدًا من العينات من شرط عمل آخر، مما يمكّنه من تحديد أنواع الأعطال للمحامل تحت ظروف جديدة. تم إجراء التجارب وأظهرت النتائج أن النموذج المعروض يقدم أداءً أفضل مقارنة بالأساليب الحديثة المتقدمة.