נתוני טלמטריה רב-חיישנים (זרם, מתח, טמפרטורה, לחות, רטט) ממנועי סרבו מעובדים באמצעות קיבוץ מבני לא מפוקח, זיהוי אנומליות מבוסס בידוד ומיפוי סיכונים מבוסס פיזיקה. מסגרת זו מפיקה תוויות פסאודו-תוויות בינאריות דטרמיניסטיות ומצבי אבחון מדויקים מאוד בזמן אמת למעקב אחר מצב.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר שיטה
ניטור מצב מנוע בהתנעה קרה באמצעות אותות רב-חיישנים ולמידת מכונה מפוקחת פסאודו-פיקוגרפית
במאמר זה
סיכום
תקציר
כאשר תחזוקה חזויה עוברת מהפרדיגמה הממוקדת בנתונים של תעשייה 4.0 למסגרת בת קיימא וממוקדת אדם של תעשייה 5.0, אבחון מצבי מנוע סרבו מתמודד עם אתגרים כפולים של מחסור בנתונים ומחסור עמוק בדגימות תקלות מסומנות. כדי להתמודד עם בעיית התנעה קרה, אנו מציגים מסגרת למידת מכונה מפוקחת באופן פסאודו-פיקוח, שנבדקה על בסיס נתונים מותאם אישית בן חמישה ערוצים הכולל 199 דגימות טלמטריה של מנועי סרבו (זרם, מתח, טמפרטורה, לחות ורטט). המתודולוגיה משלבת חלוקה מבנית קשה (k-means) והערכת ביטחון אחורית רכה (מודלים של תערובת גאוסיאנית) כדי לאפיין מצבי פעולה ללא הערות מוקדמות. במקביל, מודל יער בידוד מכמת את עוצמת האנומליה ומבסס סף דינמי מבוסס קוונטילים. חידוש קריטי במחקר זה הוא מיפוי הסיכונים הדטרמיניסטי שמקורו בהקדמות הנדסיות; הוא מגדיר את מצב "הסיכון הגבוה" (חריג) על ידי שקילת שולי הבטיחות הפיזית של החיישנים הפוך. מנגנון זה ממפה בקפדנות אשכולות לא מפוקחים לתוויות פסאודו-בינאריות. תוויות אלו משמשות לאחר מכן לפיקוח על מבחינים במורד הזרם (Random Forest ו-Support Vector Machine). האבחון המקוון הסופי מפיק מיזוג ברמת הציון בין הסתברות המסווג ל-GMM האחורית, המוגבל על ידי סף האנומליה. הערכה כמותית מראה שמודל היער האקראי השיג ציון F1 מושלם של 1.000, בעוד שמודל ה-SVM ההשוואתי הניב ציון F1 של 0.997, מה שהוכיח את המסגרת כפתרון יציב, ניתן לפרשנות ומדויק מאוד למעקב אחר בריאות תעשייתית בהפעלה קרה.
מבוא
האמינות של מערכות בקרת מנועי סרוו הייתה היסטורית מדד ביצועים קריטי באוטומציה תעשייתית. ככל שתחזוקה חזויה מתפתחת מהפרדיגמה הממוקדת בנתונים של תעשייה 4.0 אל המסגרת בת קיימא וממוקדת אדם של תעשייה 5.0, המערכות חייבות להבטיח דיוק גבוה תוך קידום יעילות אנרגטית ועמידות תפעולית 1,2,3. תקלות המתרחשות במהלך יון ארוך טווח בסביבות קשות עלולות להוביל לכיבוי ציוד קטסטרופלי, נזק מבני חמור והפסדים כלכליים משמעותיים 4,5,6. כתוצאה מכך, האבחון המוקדם של תקלות מתחילות עבר ממותרות לדרישה מרכזית. כדי להשיג הערכת מצב חזקה, מערכות תעשייתיות מודרניות מסתמכות יותר ויותר על טכנולוגיה רב-חיישנים. על ידי רכישת מודאליות אותות מגוונות בו-זמנית — כגון זרם, מתח, טמפרטורה ורעידות — מהנדסים יכולים לבנות תצוגה מקיפה ומממדית של בריאות המנוע 7,8. המיזוג של נתוני חיישנים מרובי מקורות משפר משמעותית את החוסן והדיוק של מערכות אבחון בהשוואה לגישה של חיישן יחיד 9,10.
למרות ההתקדמות במיזוג חיישנים ולמידת מכונה, נותר צוואר בקבוק קריטי בפריסה בעולם האמיתי: אתגר "הפעלה קרה". בסביבת ייצור טיפוסית, מכונות פועלות כרגיל במשך רוב מחזור חייהן, מה שמוביל לחוסר איזון מעמדי קיצוני שבו דגימות בריאות עולות בהרבה על דגימות פגומות. מודלים סטנדרטיים של למידה עמוקה בפיקוח דורשים מאגרי נתונים עצומים, מאוזנים ומדויקים כדי להתכנס ביעילות11,12. כאשר תוויות אינן זמינות לחלוטין או יקרות מאוד להשגה, פרדיגמות מפוקחות אלו מפרקות13. לכן, הבעיה הבסיסית שמטופלת במחקר זה היא המרת נתוני מנועים מרובי חיישנים לא מסומנים לאות אזהרה דיאגנוסטי בינארי אמין ללא דרישה מוקדמת לנתוני אימון מסומנים ידנית.
בתגובה לאתגר המחסור בנתונים, מחקרים עדכניים פנו לכיוון טכניקות גילוי אנומליות ללא פיקוח. גישות נפוצות כוללות מכונות וקטור תמיכה חד-מחלקה (OC-SVM), מקודדים אוטומטיים עמוקים, וניקוד אנומליה מבוססת בידוד ישיר14. בעוד ששיטות אלו מסמנות ביעילות סטיות סטטיסטיות, היישום הישיר שלהן באבחון תקלות מוטוריות מציב מגבלות משמעותיות. OC-SVMs רגישים במיוחד למאפיינים הלא-סטציונריים של עומסים תעשייתיים דינמיים, ולעיתים מובילים לשיעורי חיובי שגוי גבוהים. אוטואנקודרים, למרות שהם חזקים במזעור שגיאות שחזור15, פועלים כקופסאות שחורות בלתי ניתנות לפרשנות; הם מתקשים לתרגם אובדן שחזור מתמטי לפגיעה פיזית בקטגוריה16 שניתן לפעול בפועל. יתרה מזאת, גישות ניקוד אנומליות ישירות, כמו יערות בידודסטנדרטיים 17, רק מצביעות על כך שמדגם הוא חריג סטטיסטי. הם לא מצליחים לקבוע גבול החלטה דטרמיניסטי בין מצבי "עבודה" למצב "כישלון" השורשיים במציאות ההנדסית. בעצם, גישות אלו חסרות את הגשר הסמנטי הנדרש למיפוי אשכולות נתונים לא מפוקחים לתוויות אבחון מפורשות.
כדי לגשר על הפער המתודולוגי הזה, מחקר זה מציע מסגרת מאוחדת ללמידת מכונה מפוקחת פסאודו. לוגיקת התכנון של תהליך העבודה המוצע שונה באופן מהותי מזו של גלאי אנומליה עצמאיים. במקום להסתמך על שגיאת שחזור גלובלית אחת או גבול, הצינור מחלק תחילה את מרחב התכונות הרב-חיישנים באמצעות אשכולות קשיחים-רכים לא מפוקחים (k-means ומודלים של תערובת גאוסיאנית) לזיהוי מצבי פעולה מובחנים. לאחר מכן, במקום להקצות תוויות שרירותיות, נבנית פונקציית מיפוי סיכון דטרמיניסטית המבוססת על קדימים הנדסיים מבוססים (כלומר, שולי הבטיחות הפיזיקליים לרטט וטמפרטורה). מיפוי פיזי זה משמש כעוגן היוריסטי, ומקצה אוטומטית תוויות פסאודו-בינאריות ("עובד" או "כישלון") לאשכולות הלא מפוקחים. תוויות פסאודו-מודעות לפיזיקה אלו משמשות לאימון מבחינים מפוקחים (יער אקראי ו-SVM) ללמוד גבולות מורכבים ולא ליניאריים. במקביל, יער בידוד משמש כשער אנומליה עצמאי, ומסנן חריגים קיצוניים שאינם תואמים אף אשכול מבוסס. הצינור המשולב הזה הוא מועיל מאוד כי הוא מנצל את הכוח ההבחנה של למידה מפוקחת תוך שמירה על אוטונומיה ללא תוויות של אשכולות ללא פיקוח.
המטרה המדעית העיקרית של מחקר זה היא לפתח מערכת ניטור מצב אוטומטית המסוגלת לפעול תחת מגבלות התנעה קרה מחמירות. אנו בודקים במפורש את ההשערה ששילוב אשכולות מבניים ללא פיקוח עם מנגנון פסאודו-תיוג מונע מראש הנדסי יכול להניב גבול סיווג מפוקח עם ביצועי אבחון המתחרים באלו של מודלים שאומנו על נתונים עם הערות ידניות. על ידי אימות מסגרת חצי-מפוקחת זו על מאגר נתונים מותאם אישית רב-חיישנים עם מנוע סרוו, מחקר זה מראה כי שילוב פרשנות תכונות קלאסית עם שערי אנומליה מאפשר סיווג תקלות מדויק מאוד ללא נתוני אימון מסומנים, ובכך מפחית את העומס הקוגניטיבי על מהנדסי השטח ומקדם את האתוס השיתופי של תעשייה 5.0.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
1. הקמת ניסוי ועיבוד נתונים מוקדם
הערה: מסגרת עיבוד ומידול הנתונים שהוצעה במחקר זה יושמה באמצעות סקריפטים מותאמים אישית שפותחו בשפת תכנות ברמה גבוהה, תוך ניצול ספריות קוד פתוח סטנדרטיות למחשוב מספרי ולמידת מכונה. האימות הניסיוני בוצע על תחנת עבודה חישובית בעלת ביצועים גבוהים המצוידת במעבד רב-ליבות ויחידת עיבוד גרפיקה דיסקרטית (GPU). פרטים ספציפיים לגבי כל סביבות התוכנה, חומרה חישובית ורכיבי חיישנים מסופקים בטבלת החומרים. סקירה סכמטית של המסגרת המוצעת, המדגימה את זרימת הנתונים מלמידה לא מקוונת ללא פיקוח ועד לתהליך קבלת החלטות דו-סף מקוון, מוצגת באיור 1. מערך הנתונים כולל 203 דגימות חלון זמן מצטברות ולא קריאות גולמיות מיידיות, שנאספו בזמן שהמנוע הסרבו פעל תחת משטרי עומס משתנים כדי לדמות תנאי רצפת מפעל ריאליסטיים.
- לפרוס צמתים חיישנים בצורה אסטרטגית.
- מורכב מד תאוצה לרעידות על מעטפת המנוע, בעוד שגשושי זרם, מתח וטמפרטורה שולבו במעגל ההנעה.
- סנכרן את כל אותות החיישן באמצעות לוח איסוף נתונים מרכזי (DAQ) בתדר דגימה של 10 קילוהרץ.
- יישמו נהלי כיול סטנדרטיים וסינון דיגיטלי נמוך כדי לבטל רעש אלקטרומגנטי בתדר גבוה לפני חילוץ התכונות.
- להפיק סיכום סטטיסטי (למשל, ממוצע או ריבוע ממוצע שורש) ממחזור מדידה של שנייה אחת עבור כל אחד מ-203 הדגימות. חמשת המשתנים הספציפיים הללו—זרם (A), מתח (V), טמפרטורה (°C), לחות (%), ורעידות (mm/s2 או g)—נבחרו במכוון.
- הסרת רשומות המכילות ערכים חסרים (NaN) כדי להבטיח יציבות מידול, ובכך הקמת מערך נתונים משופר של 199 דגימות תקפות.
- יישמו נורמליזציה של ציון Z לכל ערוץ
חיישנים עבור כל דגימה 
כדי לבטל פערי סקאלה קריטיים לאלגוריתמים למידה מבנית מבוססת מרחק:
(1)
כאשר xij מייצג את הערך הגולמי, μ j הוא הממוצע של התכונה j, ו-σj הוא סטיית התקן. - אחסן את המטריצה המנורמלת כ-Xs לכל שלבי העיבוד הבאים.
הערה: ניתוח רכיבים עיקריים (PCA) שימש אך ורק להמחשה על ידי הקרנת Xs למטריצת
הטמעה דו-ממדית (איור 5), ולא שימש כקלט למודלים המורדים.
2. למידת מבנה ללא פיקוח
- קבע את מספר האשכולות האופטימלי (K*) על ידי הערכת ערכי K מועמדים (בטווח של 2 עד 10).
- חשב את סכום הריבועים בתוך אשכול (WCSS) ליצירת עקומת המרפק (איור 3):
(2) - חשב את מקדם הסילואט S(I) עבור כל K בו-זמנית (איור 4) כדי להעריך את הקוהזיה המבנית וההפרדה:
(3) - קבע את מספר האשכול האופטימלי בציון הסילואט הממוצע המרבי (למשל, K*=2).
- החלו את אלגוריתם k-means על Xs, תוך מזעור ה-WCSS לקבלת המרכזים μc ותוויות
אשכול קשות לכל דגימה. - לאמן מודל תערובת גאוסיאני (GMM) עם רכיבי K* כדי ללכוד את אי-הוודאות הטבועה בגבולות התנאים.
- חשב את ההסתברות
הפוסטריורית לכל מדגם לאחר הערכת הפרמטרים 
, והפקה את ההסתברות הפוסטריורית המקסימלית כמדד ביטחון רך:
(4)
3. מידול אנומליות וסף דינמי
- אימן מודל יער בידוד על Xs כדי לזהות חריגים החוטים ממבני האשכול הראשיים.
- חשב את ציון האנומליה sאם(z), הנע בין 0 ל-1, בהתבסס על אורך המסלול הצפוי E[h(z)]:
(5) - קבעו את סף האנומליה הסטטית τאנום על ידי מידול אנליטי של התפלגות ציון האנומליה (sאם) באמצעות הערכת צפיפות גרעין (KDE).
- נגזר את הקוונטיל מתמטית כדי לקשור את מרווח האמון של 90% של השונות התפעולית הנורמלית.
הערה: במאגר נתונים זה, נוצר סף דטרמיניסטי של τanom = 0.592, כאשר דגימות עם sif(z) > 0.592 סומנו כאנומליות. - הקמת חלון הזזה המכסה את דגימות הטלמטריה N האחרונות כדי לחשב מחדש את התפלגות ניקוד האנומליה באופן תקופתי.
- עדכן דינמית את הסף באמצעות ממוצע נע משוקלל מעריכי (EWMA):
, כאשר α משמש כגורם השכחה ו-Yהמקומי הוא הקוונטיל הנגזר מחלון התפעול הנוכחי.
4. יצירת תוויות מדומה באמצעות מיפוי סיכונים
- חשב את ציון הסיכון r i עבור כל דגימה כשילוב ליניארי של התכונות המנורמלות כדי לגשר על הפער הסמנטי:
(6) - הגדר את ציון הסיכון R לכל מרכז אשכול על ידי יישום שילוב ליניארי משוקלל של ממוצעי התכונה המנורמלית.
- חשב את הערך הספציפי של כל משקל (wj) כההפך של מרווח הבטיחות הפיזי של ערוץ החיישן המתאים.
- נרמל את השוליים ההפוכים הללו באמצעות המשוואה הבאה, כאשר vj מייצג את מרווח הבטיחות ההפוך לערוץ :
(7)
\mu_r()g\max_cm - אמתו את המשקלים המאותחלים הללו על ידי הבטחת מתאם חיובי בדירוג ספירמן (
) בין ציוני סיכון האשכול לבין ציוני החריגות החציונית ביער הבידוד. - חשב את ציון
הסיכון הממוצע עבור כל אשכול k-ממוצעים. - זהה את האשכול שמציג את הסיכון הממוצע המרבי כמצב הכשל:
. - יצירת פסאודו-תוויות binary ysuper עבור כל הדגימות, תוך הקצאת 0 (כישלון) לאשכול בסיכון גבוה ו-1 (עובד) אחרת:
(8)
5. אימון מסווגים בפיקוח ומיזוג מקוון
- ליישם שיטת אימות צולבת בת 5 חלקים להערכת ביצועי המודל באופן קפדני ולמנוע דליפת מידע.
- הגבל את כל צינור התיוג המדומה רק לחלוקת האימון בתוך כל קיפול.
- המרה את חלוקת האימות המבודדת רק באמצעות הפרמטרים שנלמדו בלעדית מקיפול האימון.
- אמן מסווג יער אקראי (RF) המשתמש ב-Xs כתכונות וב-ysuper שנוצר דינמית כמטרה. המודל מפיק את הערכת ההסתברות למעמד העובדים, המסומן כ-prf(z).
- אמן מכונת וקטור תמיכה (SVM) המצוידת בגרעין RBF ליצירת ערך פונקציית החלטה f(z) כמאמת השוואתי.
- פרוס מנגנון מיזוג ברמת ניקוד במהלך שלב ההסקה המקוונת.
- סינתז ציון מותך s(z) עבור דגימה
חדשה שנרכשה על ידי שילוב הסתברות RF מפוקחת וביטחון GMM לא מפוקח:
(9) - סווג את הסטטוס הסופי באמצעות לוגיקה דו-ספית: מצב מסווג כ"עובד" אם ורק אם
ו 
-.
(.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
המסגרת המוצעת אושרה באמצעות מאגר נתונים רב-חיישנים שנאסף בעצמו. לאחר הסרת רשומות לא שלמות, מערך הנתונים הסופי כלל 199 דגימות חלון זמן מצטברות תקפות. סביבת המערכת ופרמטרי האלגוריתם מפורטים בטבלה 1.
קורלציה של תכונות והרכב מערך נתונים
כדי להעריך את היתירות וההשלמה של ערוצי החיישנים לפני המידול, בוצע ניתוח קורלציה של תכונות. כפי שמודגם במפת החום של פירסון (איור 2), התעלות מציגות בדרך כלל מתאמים חל...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
פרוטוקול זה מציג מתודולוגיה חזקה לזיהוי מצבים מוטוריים בתרחישי התחלה קרה שבהם חסרים נתונים מסומנים. על ידי שילוב למידה מבנית ללא פיקוח עם סיווג פסאודו-מפוקח, השיטה מתגברת על המגבלות של למידה מפוקחת מסורתית, הנשענת במידה רבה על הערות אנושיות 13,18,19. שלב קריטי בפרוטוקול זה הוא בחירת מספר האשכולות (K). בעוד ששיטות Elbow ו-Silhouette (איורים 3 ו-4) הצביע...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
למחברים אין מה לחשוף.
תודות
אנו מודים למכללה הטכנית של משאבי המים של חוביי על מתן הפלטפורמה הניסיונית והמשאבים החישוביים. עבודה זו נתמכה על ידי קרן המחקר המחלקתית לאוטומציה תעשייתית. אנו גם מכירים בתרומתם של צוות המעבדה שסייע באיסוף נתונים וכיול חיישנים.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| Category | Component and version | ||
| Operating system | Windows 11 Professional 23H2 | ||
| Processor | Intel Core i9-14900HX | ||
| Memory | 32 GB | ||
| Graphics processor | NVIDIA GeForce RTX 4070 Laptop GPU (8 GB) | ||
| Python | 3.12 | ||
| NumPy | 1.26 | ||
| pandas | 2.2 | ||
| scikit-learn | 1.5 | ||
| Matplotlib | 3.8 | ||
| Seaborn | 0.13 | ||
| Random seed |
מקורות
- 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).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.