چارچوب نوین تشخیص عیوب یاتاقان های غلتشی در شرایط فقر شدید داده مبتنی بر الگوریتم فرا-یادگیری تطبیقی

تشخیص زودهنگام عیوب یاتاقان های غلتشی نقش حیاتی در تضمین پایداری و کاهش هزینه های نگهداری ماشین آلات دوار صنعتی دارد. علی رغم موفقیت چشمگیر معماری های یادگیری عمیق در این حوزه، عملکرد این مدل ها به شدت وابسته به کلان داده های برچسب دار و متوازن است که تامین آن در محیط های صنعتی و شرایط عملیاتی غیرواقع بینانه است. برای غلبه بر این چالش، پژوهش حاضر یک چارچوب عیب یابی دوسطحی مبتنی بر رویکرد «یادگیری با نمونه کم» و الگوریتم «فرا-یادگیری مستقل از مدل» پیشنهاد می دهد. در این روش شناسی، سیگنال های خام ارتعاشی پس از قطعه بندی و نرمال سازی مقاوم، با استفاده از تبدیل فوریه زمان-کوتاه به طیف نگاشت های زمان-فرکانس تبدیل شده و توسط یک شبکه عصبی پیچشی ویژگی یابی می شوند. به منظور ارتقای قدرت تطبیق پذیری مدل و غلبه بر نوسانات گرادیان در فاز انطباق محلی، چارچوب پیشنهادی از بهینه ساز تطبیقی Adadelta بهره می برد که نیاز به تنظیم دستی نرخ یادگیری را کاملا مرتفع می سازد. ارزیابی های تجربی بر روی مجموعه داده مرجع CWRU تحت سناریوی فقر شدید داده (تنها ۹ نمونه آموزشی در دامنه منبع) نشان داد که این رویکرد نه تنها پدیده بیش برازش را مهار می کند، بلکه در تفکیک عیوب پیچیده نظیر خطای ساچمه به دقت بالای ۹۴/۹۰ درصد در سناریوی ۵-نمونه ای دست می یابد. تحلیل روند همگرایی نیز اثبات نمود که معماری توسعه یافته با پایداری بالاتر، در کمتر از ۵۰۰ تکرار فرا-اپوک به نقطه بهینه همگرا می شود که استقرار آن را برای کاربردهای صنعتی بلادرنگ کاملا توجیه پذیر می سازد.

کلیدواژه ها:

تشخیص عیب ، ماشین آلات دوار ، یادگیری با نمونه کم ، فرا-یادگیری ، فقر داده.