FaultNet: شبكة عصبية تلافيفية عميقة للتصنيف الذاتي لعطلات المرفق

أدى الانتشار المتزايد للحساسات المتقدمة في خطوط الإنتاج إلى جمع مجموعات بيانات يمكن أن توفر رؤى مهمة حول حالة المعدات. يُعدّ مؤشر الاهتزازات أحد المؤشرات المهمة والموثوقة لحالة المعدات، حيث يمكنه تزويدنا بفهم أعمق للعديد من الأعطال التي تحدث في الأنظمة الميكانيكية. في هذه الدراسة، نحلل بيانات إشارات الاهتزاز الناتجة عن الأنظمة الميكانيكية المزودة بمحامل، وذلك من خلال دمج طرق معالجة الإشارات المختلفة وربطها بتقنيات التعلم الآلي لتصنيف أنواع مختلفة من أعطال المحامل. كما نسلط الضوء على أهمية استخدام طرق متعددة لمعالجة الإشارات، ونحلل تأثيرها على دقة كشف أعطال المحامل. بالإضافة إلى الخوارزميات التقليدية للتعلم الآلي، نقترح شبكة عصبية متعددة الطبقات (FaultNet) تقوم بتحديد نوع عطل المحمل بدقة عالية. ويتمثل العامل المميز في هذه الدراسة في فكرة القنوات المُقترحة لاستخراج مزيد من المعلومات من الإشارة، حيث قمنا بتركيب قنوات المتوسط والوسيط على الإشارة الخام، بهدف استخلاص ميزات أكثر فائدة لتصنيف الإشارات بدقة أعلى.