بهبود تشخیص عیوب تجهیزات دوار مبتنی بر ترکیب شبکه عصبی پیچشی و لایه توجه کانالی کارآمد

امروزه، نظارت بر عملکرد صحیح و کاهش هزینه های عملیاتی ماشین آلات صنعتی، از اهمیت بالایی برخوردار است. پیشرفت فناوری و بکارگیری تجهیزاتی با ساختار پیچیده، موجب ارتباط نزدیک این حوزه با هوش مصنوعی شده است. در این پژوهش، هدف طراحی یک مدل بهینه برای تشخیص عیوب تجهیزات دوار با استفاده از روش های یادگیری عمیق بوده و به این منظور، سه نوع مجموعه داده مختلف مربوط به ماشین آلات دوار جمع آوری و پردازش شدند. سپس، این داده ها تحت پردازش دو مدل سنتی و پیشنهادی شبکه یادگیری عمیق قرار گرفتند. مدل پیشنهادی با استفاده از پرداختن به رویکرد توجه توانست دقت بالاتری در شناسایی ویژگی های مهم و ارتقای عملکرد در مقایسه با شبکه عصبی پیچشی ارائه دهد. نتایج ارزیابی ها نشان داد که مدل پیشنهادی قادر است به طور موثری طبقه بندی عیوب تجهیزات دوار را بهبود بخشد. انعطاف پذیری شبکه پیشنهادی با داده های متفاوت، به عنوان یک گام نوآورانه در طراحی سیستم های تشخیص عیوب مبتنی بر یادگیری عمیق بوده، و کاربردهای قابل توجهی در صنعت، به ویژه در زمینه نگهداری و پیش بینی خرابی تجهیزات دوار دارد.

کلیدواژه ها:

تشخیص خرابی ، شبکه یادگیری عمیق ، شبکه عصبی پیچشی ، ارتعاشات ، تجهیزات دوار