تشخيص عطل المحامل على أساس نموذج CNN متعدد المقياسات وLSTM

تم استخدام طرق تشخيص الأعطال الذكية المستندة إلى تحليل الإشارات على نطاق واسع في تشخيص أعطال الأحزمة. تعتمد هذه الطرق على تحويل إشارات زمنية إلى إشارات في مجال التردد باستخدام تحويل مسبق مُحدَّد (مثل التحليل التوافقي التجريبي، والتحويل السريع لفورييه، والتحويل الموجي المتقطع)، حيث يعتمد أداء نظام التشخيص بشكل كبير على السمات المستخلصة. ومع ذلك، فإن استخلاص خصائص الإشارة يتطلب وقتًا طويلاً ويعتمد على معرفة متخصصة في معالجة الإشارات. وعلى الرغم من تطوير بعض الدراسات لخوارزميات دقيقة للغاية، فإن نتائج التشخيص تعتمد بشكل كبير على مجموعات بيانات كبيرة، وتحليل بشري غير موثوق. وتقترح هذه الدراسة شبكة عصبية لتعلم السمات تلقائيًا، تستخدم إشارات الاهتزاز الخام كمدخلات، وتستفيد من شريحتين من الشبكات العصبية التلافيفية ذات أحجام نوى مختلفة لاستخلاص خصائص إشارات ترددية مختلفة مباشرة من البيانات الخام. ثم تُستخدم الشبكة العصبية طويلة الذاكرة القصيرة (LSTM) لتحديد نوع العطل بناءً على السمات المستخلصة. وتم تقليل معدل العينة للبيانات قبل إدخالها إلى الشبكة، مما قلل بشكل كبير من عدد المعاملات. وأظهرت التجارب أن الطريقة المقترحة لا تحقق دقة متوسطة تبلغ 98.46%، بل تفوق بعض الخوارزميات الذكية المتطورة المستندة إلى معرفة مسبقة، كما تُظهر أداءً أفضل في البيئات الضوضائية.