انتقل إلى المحتوى

تشخيص أعطال المحامل بشبكة عصبية التفافية أحادية البعد (1D CNN)

شبكة عصبية التفافية أحادية البعد (1D CNN) تصنّف أعطال المحامل من إشارات الاهتزاز الخام (مجموعة بيانات CWRU)، اختُبرت على حمل محرك لم تره من قبل ومع ضجيج مضاف، ومعها تطبيق Streamlit لرفع إشارة.
  • Deep Learning
  • Signal Processing
  • Predictive Maintenance
التاريخ
يونيو 2025
النتيجة
100% على حمل محرك لم يُرَ في التدريب؛ 87% مع ضجيج مضاف بنسبة 50%
  • 1D CNN على نوافذ الاهتزاز الخام، باستخدام PyTorch
  • اختبار على حمل محرك لم يُرَ في التدريب (2 HP)
  • اختبار الضجيج: يصمد عند ضجيج 25% ويفشل بعد 50%

هل تستطيع شبكة عصبية التفافية أحادية البعد (1D CNN) صغيرة أن تميّز المحمل السليم من ثلاثة أنواع من الأعطال اعتمادًا على إشارة الاهتزاز الخام وحدها، وإلى أي حد يمكن الوثوق بها؟

شاهد العرض المرئي · افتح التطبيق

الإعداد

  • البيانات: مجموعة بيانات المحامل العامة من جامعة Case Western Reserve University (CWRU)، بأربعة أصناف: سليم، وعطل الحلقة الداخلية (IRF)، وعطل الحلقة الخارجية (ORF)، وعطل الكرات (BF).
  • النوافذ: يُقطَّع كل تسجيل إلى نوافذ طول كل منها 2,048 عيّنة بتداخل 50%.
  • التقسيم حسب حمل المحرك لا عشوائيًا: يستخدم التدريب والتحقق تسجيلات 0 HP و1 HP؛ أما مجموعة الاختبار فهي تسجيلات 2 HP (824 نافذة)، وهي لا تُعرض على النموذج أبدًا. التقسيم العشوائي كان سيضع نوافذ متداخلة من التسجيل نفسه في الجهتين ويضخّم النتيجة.
  • عدم التوازن: عدد النوافذ السليمة يفوق كل صنف من أصناف الأعطال بنحو أربعة إلى واحد. دُرِّب نموذجان، كلٌّ منهما 25 دورة تدريب (epoch): أحدهما على البيانات الأصلية، والآخر على بيانات وُوزِنت باستخدام SMOTE.
  • النموذج: ثلاث كتل من Conv1d + BatchNorm + pooling ومصنِّف صغير، باستخدام PyTorch.

النتائج

الاختبار (2 HP، 824 نافذة)الدقة
البيانات الأصلية100%
البيانات الموزونة باستخدام SMOTE100%
+ ضجيج بنسبة 25% من الانحراف المعياري للإشارة100%
+ ضجيج بنسبة 50%87.0%
+ ضجيج بنسبة 75%28.8%
+ ضجيج بنسبة 100%23.7%

ما الذي تقوله الأرقام فعلًا

  • مجموعة CWRU سهلة على شبكة CNN. كلا النموذجين حقق نتيجة كاملة على الحمل الذي لم يُرَ في التدريب، ولذلك لا يستطيع هذا الاختبار أن يبيّن هل يفيد SMOTE أم لا. مجموعة بيانات أصعب، أو اختبار على محامل مختلفة، يمكنه ذلك.
  • الضجيج هو موضع الانهيار. عند ضجيج 50%، تُصنَّف أعطال الكرات في معظمها خطأً على أنها أعطال في الحلقة الداخلية (الاستدعاء (recall) لصنف BF يساوي 9%). وعند 75%، يُصنَّف كل شيء تقريبًا على أنه عطل في الحلقة الداخلية. حسّاس حقيقي في مصنع كثير الضجيج سيحتاج إلى تعزيز بيانات التدريب بالضجيج (noise augmentation)، أو إلى إزالة الضجيج قبل النموذج.
  • التطبيق يتعامل مع إشارات بأطوال واقعية. المدخلات الأقصر من نافذة واحدة تُمدَّد بالحشو الانعكاسي (reflection padding)؛ والأطول تُقطَّع إلى نوافذ متداخلة، ثم يُحسب متوسط احتمالات الأصناف عبرها.

تطبيق Streamlit

الأدوات المستخدمة

Python، وPyTorch، وscikit-learn وimbalanced-learn (للتقييس وSMOTE)، وpandas وNumPy، وStreamlit للتطبيق. تنتقل الدفاتر (notebooks) الأربعة من استكشاف البيانات إلى النموذج المدرَّب والتطبيق.

Deep Learning · Self-Supervised LearningDistill-SSLمعلّمون بالتعلم الذاتي الإشراف، وطلاب صغارDeep Learning · Medical Imagingتجزئة أورام الدماغ في صور الرنين المغناطيسي (MRI)