تتم معالجة بيانات التليمترية متعددة المستشعرات (التيار، الجهد، درجة الحرارة، الرطوبة، الاهتزاز) من محركات السيرفو باستخدام تجميع هيكلي غير خاضع للإشراف، وكشف الشذوذات القائم على العزلة، ورسم خرائط المخاطر المستندة إلى الفيزياء. ينتج هذا الإطار تسميات زائفة ثنائية حتمية وحالات تشخيصية دقيقة في الوقت الحقيقي لمراقبة الحالة.
يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية
مقالة منهجية
مراقبة حالة المحرك بالتشغيل البارد باستخدام إشارات متعددة المستشعرات والتعلم الآلي الزائف المراقب
في هذه المقالة
ملخص
الملخص
مع انتقال الصيانة التنبؤية من نموذج الصناعة 4.0 المرتكز على البيانات إلى الإطار المستدام المرتكز على الإنسان في الصناعة 5.0، يواجه تشخيص حالات محركات السيرفو تحديين مزدوجين هما ندرة البيانات ونقص عميق في عينات الأعطال الموسومة. لمعالجة مشكلة التشغيل البارد هذه، نقدم إطار عمل تعلم آلي شبه مراقب تم تقييمه على مجموعة بيانات مخصصة من خمس قنوات تضم 199 عينة تليمترية من محرك سيرفو (التيار، الجهد، درجة الحرارة، الرطوبة، والاهتزاز). تدمج المنهجية التقسيم الهيكلي الصلب (k-medias) وتقدير الثقة الخلفية اللينة (نماذج الخلط الغاوسية) لتوصيف أنماط التشغيل دون تعليق مسبق. في الوقت نفسه، يقوم نموذج الغابة المعزولة بقياس شدة الشذوذ ويؤسس عتبة ديناميكية قائمة على الكم. ابتكار حاسم في هذا البحث هو رسم خرائط المخاطر الحتمية المستمد من سوابق الهندسة؛ تعرف الحالة "عالية المخاطر" (غير طبيعية) من خلال وزن عكسي لهوامش السلامة الفيزيائية للحساسات. تقوم هذه الآلية بدقة بتحويل العناقيد غير المراقبة إلى تسميات زائفة ثنائية. تستخدم هذه العلامات لاحقا للإشراف على المميزين في الأسفل (الغابة العشوائية وآلة المتجهات الداعمة). ينتج التشخيص النهائي عبر الإنترنت دمجا على مستوى الدرجة بين احتمال المصنف والخلف لمؤشر GMM، محاطا بعتبة الشذوذ. يظهر التقييم الكمي أن نموذج الغابة العشوائية حقق درجة F1 مثالية تبلغ 1.000، بينما أعطى نموذج SVM المقارن درجة F1 بلغت 0.997، مما يثبت أن الإطار حل قوي وقابل للتفسير ودقيق للغاية لمراقبة الصحة الصناعية بالبدء البارد.
المقدمة
لطالما كانت موثوقية أنظمة التحكم بمحركات السيرفو مؤشرا حاسما في مجال الأتمتة الصناعية. مع تطور الصيانة التنبؤية من نموذج الصناعة 4.0 المرتكز على البيانات نحو الإطار المستدام والمتمحور حول الإنسان في الصناعة 5.0، يجب على الأنظمة ضمان دقة عالية مع تعزيز كفاءة الطاقة والمرونة التشغيلية 1,2,3 بنشاط. الأعطال التي تحدث خلال الأيونات طويلة الأمد تحت بيئات قاسية يمكن أن تؤدي إلى إغلاق كارثي للمعدات، وأضرار هيكلية جسيمة، وخسائر اقتصادية كبيرة 4,5,6. وبالتالي، تحول التشخيص المبكر للعيوب الناشئة من رفاهية إلى مطلب أساسي. لتحقيق تقييم حالة قوي، تعتمد الأنظمة الصناعية الحديثة بشكل متزايد على تقنية الحساسات المتعددة. من خلال اكتساب وسائط إشارة متنوعة في الوقت نفسه—مثل التيار، الجهد، درجة الحرارة، والاهتزاز—يمكن للمهندسين بناء رؤية شاملة وعالية الأبعاد لصحة المحرك 7,8. يعزز دمج بيانات المستشعرات متعددة المصادر بشكل كبير من متانة ودقة أنظمة التشخيص مقارنة بأساليب المستشعر الواحد 9,10.
على الرغم من التقدم في دمج المستشعرات وتعلم الآلة، لا يزال هناك عنق زجاجة حرج في النشر الواقعي: تحدي "البدء البارد". في بيئة الإنتاج النموذجية، تعمل الآلات بشكل طبيعي لمعظم دورة حياتها، مما يؤدي إلى اختلالات طبقية شديدة حيث تفوق العينات السليمة العينات المعيبة بكثير. تتطلب نماذج التعلم العميق المراقبة القياسية مجموعات بيانات ضخمة ومتوازنة ومشروحة بدقة لتقارب11,12 بشكل فعال. عندما تكون التسميات غير متوفرة تماما أو مكلفة جدا للحصول عليها، فإن هذه النماذج الخاضعة للإشراف تفصل13. لذلك، المشكلة الأساسية التي تم تناولها في هذه الدراسة هي تحويل بيانات المحركات متعددة المستشعرات غير المعنونة إلى إشارة تحذير تشخيصية ثنائية موثوقة دون الحاجة إلى بيانات تدريب مصنفة يدويا.
استجابة لتحدي ندرة البيانات، تحولت الأبحاث الحديثة نحو تقنيات الكشف عن الشذوذات غير المراقبة. تشمل الأساليب الشائعة آلات الدعم المتجهة ذات الفئة الواحدة (OC-SVM)، والمشفرات الذاتية العميقة، وتسجيل14 نقطة شذوذ قائم على العزل المباشر. بينما تشير هذه الطرق فعليا إلى الانحرافات الإحصائية، فإن تطبيقها المباشر على تشخيص الأعطال الحركية يمثل قيودا كبيرة. تعد وحدات OC-SVM حساسة جدا للخصائص غير الثابتة للأحمال الصناعية الديناميكية، وغالبا ما تنتج معدلات إيجابية كاذبة عالية. الترميز التلقائي، رغم قوته في تقليل أخطاء إعادة البناء15، يعمل كصناديق سوداء غير قابلة للتفسير؛ يكافحون لتحويل خسارة إعادة بناء رياضية إلى خطأ فيزيائي من الفئة16 قابلة للعمل. علاوة على ذلك، تشير طرق تقييم الشذوذ المباشرة، مثل غابات العزلالقياسية 17، إلى أن العينة تعتبر حالة استثنائية إحصائيا. فهي تفشل في وضع حدود حتمية في اتخاذ القرار بين حالات "العمل" و"الفشل" المتجذرة في واقع هندسي. بشكل أساسي، تفتقر هذه الأساليب إلى الجسر الدلالي المطلوب لربط مجموعات البيانات غير المراقبة بعلامات تشخيصية صريحة.
لسد هذه الفجوة المنهجية، تقترح هذه الدراسة إطار عمل موحد لتعلم الآلة شبه الإشراف عليه. يختلف منطق تصميم سير العمل المقترح بشكل أساسي عن منطق كاشفات الشذوذات المستقلة. بدلا من الاعتماد على خطأ إعادة بناء عالمي واحد أو حدود، يقوم خط الأنابيب أولا بتقسيم مساحة الميزات متعددة المستشعرات باستخدام تجميع هارد-سوفت غير خاضع للإشراف (k-means ونماذج خليط Gaussian) لتحديد أنماط تشغيل مميزة. بعد ذلك، بدلا من تعيين تسميات عشوائية، يتم بناء دالة رسم مخاطر حتمية بناء على السوابق الهندسية المعتمدة (أي هوامش الأمان الفيزيائية للاهتزاز ودرجة الحرارة). يعمل هذا التعيين الفيزيائي كمرساة استدلالية، حيث يخصص تلقائيا تسميات زائفة ثنائية ("يعمل" أو "فشل") للعناقيد غير الخاضعة للإشراف. ثم تستخدم هذه التسميات الزائفة المستندة إلى الفيزياء لتدريب المميزين المشرفين (الغابة العشوائية وSVM) لتعلم الحدود المعقدة وغير الخطية. في الوقت نفسه، تعمل غابة العزل كبوابة شذوذ مستقلة، تصفي الشاذات المتطرفة التي لا تتوافق مع أي تجمع معتمد. يعد هذا المسار المدمج ميزة كبيرة لأنه يستفيد من القوة التمييزية للتعلم المراقب مع الحفاظ على استقلالية التجميع غير الخاضع للإشراف بدون علامات التصنيف.
الهدف العلمي الأساسي لهذا البحث هو تطوير نظام مراقبة حالة آلي قادر على العمل تحت قيود صارمة للبدء البارد. نختبر بشكل صريح الفرضية التي تقول إن ربط التجميع الهيكلي غير الخاضع للإشراف مع آلية وسم زائف مدفوعة بالهندسة مسبقا يمكن أن ينتج له حدود تصنيف تحت إشراف مع أداء تشخيصي ينافس أداء النماذج المدربة على بيانات مشروحة يدويا. من خلال التحقق من صحة هذا الإطار شبه المراقب على مجموعة بيانات مخصصة متعددة المستشعرات من محركات السيرفو، تظهر هذه الدراسة أن دمج قابلية تفسير الميزات الكلاسيكية مع بوابة الشذوذ يمكن تصنيف الأعطال بدقة عالية دون بيانات تدريب معنونة، مما يقلل العبء المعرفي على مهندسي الميدان ويدفع روح التعاون في الصناعة 5.0.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
1. إعداد التجارب ومعالجة البيانات المسبقة
ملاحظة: تم تنفيذ إطار معالجة البيانات ونمذجة البيانات المقترح في هذه الدراسة عبر سكريبتات مخصصة تم تطويرها بلغة برمجة عالية المستوى، مستفيدة من المكتبات مفتوحة المصدر القياسية للحوسبة العددية وتعلم الآلة. تم إجراء التحقق التجريبي على محطة عمل حسابية عالية الأداء مزودة بمعالج متعدد النوى ووحدة معالجة رسومات منفصلة (GPU). يتم توفير تفاصيل محددة حول جميع بيئات البرمجيات، والأجهزة الحاسوبية، ومكونات المستشعرات في جدول المواد. يتم عرض نظرة عامة تخطيطية على الإطار المقترح، توضح تدفق البيانات من التعلم غير المراقب دون اتصال إلى عملية اتخاذ القرار ذات العتبة المزدوجة عبر الإنترنت، في الشكل 1. تتكون مجموعة البيانات من 203 عينات مجمعة من نافذة الزمن بدلا من قراءات خام فورية، تم جمعها أثناء عمل محرك السيرفو تحت أنظمة تحميل متغيرة لمحاكاة ظروف أرضية الورشة الواقعية.
- نشر عقد الاستشعار بشكل استراتيجي.
- تم تركيب مقاييس تسارع الاهتزاز على غلاف المحرك، بينما تم دمج مجسات التيار والجهد ودرجة الحرارة في دائرة القيادة.
- مزامنة جميع إشارات المستشعر عبر لوحة جمع بيانات مركزية (DAQ) بتردد أخذ عينات 10 كيلوهرتز.
- تطبيق إجراءات المعايرة القياسية والترشيح الرقمي منخفض التمرير للقضاء على الضوضاء الكهرومغناطيسية عالية التردد قبل استخراج الميزات.
- استخلاص ملخص إحصائي (مثل المتوسط أو تربيع الجذر المتوسط) من دورة قياس مدتها ثانية واحدة لكل من العينات ال 203. تم اختيار هذه المتغيرات الخمسة المحددة — التيار (A)، الجهد (V)، درجة الحرارة (°C)، الرطوبة (٪)، والاهتزاز (mm/s2 أو g)—عمدا.
- إزالة السجلات التي تحتوي على قيم مفقودة (NaN) لضمان استقرار النمذجة، مما يخلق مجموعة بيانات محسنة تضم 199 عينة صالحة.
- تطبيق تطبيع درجة Z على كل قناة
مستشعر لكل عينة 
لإزالة الفوارق الحرجة في خوارزميات التعلم الهيكلي المعتمد على المسافة:
(1)
حيث يمثل xij القيمة الخام، μj هو متوسط الميزة j، و σj هو الانحراف المعياري. - تخزين المصفوفة الموحدة ك Xs لجميع خطوات المعالجة اللاحقة.
ملاحظة: تم استخدام تحليل المكونات الرئيسية (PCA) فقط للتصور عن طريق إسقاط Xs في مصفوفة
تضمين ثنائية الأبعاد (الشكل 5)، ولم يكن مدخلا للنماذج اللاحقة.
2. التعلم الهيكلي غير الخاضع للإشراف
- تحديد العدد الأمثل للعناقيد (K*) من خلال تقييم قيم K المرشحة (تتراوح من 2 إلى 10).
- احسب مجموع المربعات داخل العنقود (WCSS) لتوليد منحنى الكوع (الشكل 3):
(2) - احسب معامل الظل S(I) لكل K في نفس الوقت (الشكل 4) لتقييم التماسك والفصل البنيوي:
(3) - حدد الرقم الأمثل للمجموعة عند أعلى متوسط لدرجة الظل (مثلا، K*=2).
- تطبيق خوارزمية k-means على Xs، مع تقليل WCSS للحصول على المركزيات μc والتسميات
العنقودية الصلبة لكل عينة. - تدريب نموذج خلط غاوسي (GMM) باستخدام مكونات K* لالتقاط عدم اليقين الكامن في حدود الشروط.
- احسب الاحتمال
اللاحق لكل عينة بعد تقدير المعلمات 
، واستخراج الاحتمال اللاحق الأقصى كمقياس ثقة ناعمة:
(4)
3. نمذجة الشذوذ وتحديد العتبات الديناميكية
- تدريب نموذج غابة العزل على Xs لتحديد القيم الشاذة التي تنحرف عن هياكل التجمعات الرئيسية.
- احسب درجة الشذوذ sإذا (z)، والتي تتراوح من 0 إلى 1، بناء على طول المسار المتوقع E[h(z)]:
(5) - تحديد عتبة الشذوذ الساكن τ عن طريق نمذجة توزيع درجة الشذوذ (sإذا) تحليليا باستخدام تقدير كثافة النواة (KDE).
- اشتقاق الكمية رياضيا لربط فترة الثقة 90٪ للتباين التشغيلي الطبيعي.
ملاحظة: في هذه المجموعة، أدى ذلك إلى عتبة حتمية τanom = 0.592، حيث تم الإبلاغ عن عينات بقيم s if(z) > 0.592 كشذوذات. - إنشاء نافذة منزلقة تغطي أحدث عينات N لإعادة حساب توزيع نقاط الشذوذ بشكل دوري.
- تحديث العتبة ديناميكيا باستخدام متوسط متحرك مرجح أسيا (EWMA):
، حيث يعمل α كعامل نسيان وYالمحلي هو الكمية المستمدة من نافذة التشغيل الحالية.
4. توليد العلامات الزائفة عبر رسم خرائط المخاطر
- احسب درجة المخاطر r i لكل عينة كتركيبة خطية من الميزات المطبعة لسد الفجوة الدلالية:
(6) - حدد درجة المخاطر R لكل مركز عنقودي عن طريق تطبيق تركيبة خطية موزونة من متوسطات الميزة المعادية.
- احسب القيمة النوعية لكل وزن (wj) كعكس هامش الأمان الفيزيائي لقناة المستشعر المقابلة.
- نطبع هذه الهوامش العكسية باستخدام المعادلة التالية، حيث يمثل vj هامش الأمان العكسي للقناة :
(7)
\mu_r()g\max_cm - تحقق من صحة هذه الأوزان المهيأة من خلال ضمان وجود ارتباط إيجابي في رتبة سبيرمان (
) بين درجات مخاطر التجمعات ومتوسط درجات شذوذ غابة العزل. - احسب متوسط درجة
المخاطر لكل عنقود k-means. - حدد العنقود الذي يظهر الحد الأقصى للخطر المتوسط كوضع الفشل:
. - توليد تسميات زائفة ثنائية ysuper لجميع العينات، مع تعيين 0 (فشل) للمجموعة عالية المخاطر و1 (يعمل) وإلا:
(8)
5. تدريب المصنفين تحت الإشراف والدمج عبر الإنترنت
- تنفيذ نظام التحقق المتقاطع من خمسة أضعاف لتقييم أداء النموذج بدقة ومنع تسرب المعلومات.
- اقتصر خط أنابيب التصنيف الزائف بالكامل على تقسيم التدريب داخل كل طية.
- تحويل تقسيم التحقق المعزول باستخدام المعاملات التي تم تعلمها حصريا من مجموعة التدريب.
- تدريب مصنف غابة عشوائية (RF) يستخدم Xs كميزات وysuper المولد ديناميكيا كهدف. ينتج النموذج تقدير الاحتمال للطبقة العاملة، ويرمز له ب prf(z).
- تدريب آلة دعم متجه (SVM) مزودة بنواة RBF لتوليد قيمة دالة قرار f(z) كمتحقق مقارن.
- نشر آلية دمج على مستوى النقاط خلال مرحلة الاستدلال عبر الإنترنت.
- تخليق درجة مدمجة s(z) لعينة
تم الحصول عليها حديثا عن طريق دمج احتمال التردد اللاسلكي المراقب وثقة GMM غير المراقبة:
(9) - صنف الحالة النهائية باستخدام منطق العتبة المزدوجة: تصنف الحالة ك "عاملة" إذا وفقط إذا
كان و 
.
(.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
تم التحقق من صحة الإطار المقترح باستخدام مجموعة بيانات متعددة المستشعرات التي جمعها ذاتيا. بعد إزالة السجلات غير المكتملة، تضمنت مجموعة البيانات النهائية 199 عينة مجمعة صالحة من نافذة الزمن. يتم تفصيل بيئة النظام ومعلمات الخوارزمية في الجدول 1.
ارتباط الميزات وتركيب مجموعة البيانات
لتقييم التكرار والتكاملية لقنوات المستشعرات قبل النمذجة، تم إجراء تحليل ارتباط الميزات. كما هو موضح في خريطة بيرسون الحرارية للارتباط (
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
يقدم هذا البروتوكول منهجية قوية لتحديد الحالة الحركية في سيناريوهات الانطلاق البارد التي لا تتوفر فيها بيانات معنومة. من خلال دمج التعلم البنيوي غير الخاضع للإشراف مع التصنيف شبه الإشراف، تتغلب الطريقة على قيود التعلم الخاضع للإشراف، الذي يعتمد بشكل كبير على التعليقات البشرية 13,18,19. خطوة حاسمة في هذا البروتوكول هي اختيار عدد العناقيد (K). بينما أشارت طريقتا الكوع والظل (الشكل...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
المؤلفون ليس لديهم ما يكشفون عنه.
شكر وتقدير
نشكر كلية هوبي لموارد المياه التقنية على توفير المنصة التجريبية والموارد الحاسوبية. وقد دعم هذا العمل صندوق أبحاث القسم للأتمتة الصناعية. كما نشكر مساهمات موظفي المختبر الذين ساعدوا في جمع البيانات ومعايرة أجهزة الاستشعار.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| الفئة | المكون والإصدار | ||
| نظام التشغيل | Windows 11 Professional 23H2 | ||
| المعالج | Intel Core i9-14900HX | ||
| الذاكرة | 32 جيجا بايت | ||
| معالج الرسومات | NVIDIA GeForce RTX 4070 Laptop GPU (8 جيجا بايت) | ||
| بايثون | 3.12 | ||
| NumPy | 1.26 | ||
| pandas | 2.2 | ||
| scikit-learn | 1.5 | ||
| Matplotlib | 3.8 | ||
| Seaborn | 0.13 | ||
| البذر العشوائي |
المراجع
- Achouch, M. On predictive maintenance in Industry 4.0: overview, models, and challenges. Appl Sci. 12 (16), 8081 (2022).
- Wu, M. An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Front Mech Eng. 10, 1383202 (2024).
- Zhang, B., Li, H., Kong, W., Fu, M., Ma, J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors. 24 (11), 3373 (2024).
- Luo, J., Zhu, L., Li, Q., Liu, D., Chen, M. Imbalanced fault diagnosis of rotating machinery based on deep generative adversarial networks with gradient penalty. Processes. 9 (10), 1751 (2021).
- Aradi, A., Varga, A. K. Servo motor predictive maintenance by Kafka Streams and deep learning based on acoustic data. Eng Proc. 113 (1), 1 (2025).
- Thomas, K. Comprehensive fault diagnosis of three-phase induction motors using synchronized multi-sensor data collection. Sci Data. 12 (1), 1468 (2025).
- Qiu, S. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review. Sensors. 23 (3), 1305 (2023).
- Long, Q., Li, B., Chen, L. CNN-based feature fusion motor fault diagnosis. Electronics. 11 (17), 2746 (2022).
- Kullu, O., Cinar, E. A deep-learning-based multi-modal sensor fusion approach for the detection of equipment faults. Machines. 10 (11), 1105 (2022).
- Zhao, J., Wang, W., Huang, J., Ma, X. A comprehensive review of deep learning-based fault diagnosis approaches for rolling bearings: advancements and challenges. AIP Adv. 15 (2), (2025).
- Wang, H., Wang, H., Tang, X. A review of deep learning in rotating machinery fault diagnosis and its prospects for port applications. Appl Sci. 15 (21), 11303 (2025).
- Choi, Y., Joe, I. Motor fault diagnosis and detection with convolutional autoencoder (CAE) based on analysis of electrical energy data. Electronics. 13 (19), 3946 (2024).
- Cheng, X. A bearing fault diagnosis method in scenarios of imbalanced samples and insufficient labeled samples. Appl Sci. 14 (19), 8582 (2024).
- Velásquez, D. A hybrid machine-learning ensemble for anomaly detection in real-time Industry 4.0 systems. IEEE Access. 10, 72024-72036 (2022).
- Principi, E., Rossetti, D., Squartini, S., Piazza, F. Unsupervised electric motor fault detection by using deep autoencoders. IEEE/CAA J Autom Sin. 6 (2), 441-451 (2019).
- Hiruta, T., Maki, K., Kato, T., Umeda, Y. Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data. Procedia CIRP. 98, 336-341 (2021).
- Brito, L. C., Susto, G. A., Brito, J. N., Duarte, M. A. V. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery. Mech Syst Signal Process. 163, 108105 (2022).
- Nie, G. A novel study on a generalized model based on self-supervised learning and sparse filtering for intelligent bearing fault diagnosis. Sensors. 23 (4), 1858 (2023).
- Cheng, C., Liu, X., Zhou, B., Yuan, Y. Intelligent fault diagnosis with noisy labels via semisupervised learning on industrial time series. IEEE Trans Ind Inform. 19 (6), 7724-7732 (2023).
- Onumanyi, A. J., Molokomme, D. N., Isaac, S. J., Abu-Mahfouz, A. M. Autoelbow: an automatic elbow detection method for estimating the number of clusters in a dataset. Appl Sci. 12 (15), 7515 (2022).
- Ding, X. An edge intelligent method for bearing fault diagnosis based on a parameter transplantation convolutional neural network. Electronics. 12 (8), 1816 (2023).
- Zhou, Z. A deployment method for motor fault diagnosis application based on edge intelligence. Sensors. 25 (1), 9 (2025).
- Liu, L. A novel edge intelligence application model with lightweight network and antinoise ability for bearing fault diagnosis. Struct Health Monit. , 14759217251329165 (2025).
- Kfir, T., Tuvyahu, S., Moshe, B. B., Anidjar, O. H. Real-time detection of acoustic anomalies in drone servo motors using edge-based machine learning. Mach Learn Appl. 22, 100755 (2025).
- Jiao, X., Zhang, J., Cao, J. A bearing fault diagnosis method based on dual-stream hybrid-domain adaptation. Sensors. 25 (12), 3686 (2025).
- Zhao, X. A novel intelligent multicross domain fault diagnosis of servo motor-bearing system based on domain generalized graph convolution autoencoder. Struct Health Monit. 24 (3), 1485-1499 (2025).
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.