12881

مروري بر كاربردهاي يادگيري ماشين در تشخيص عيب ماشين‌هاي دوار

1401

دكتر جواد پشتان

تشخيص عيب هوشمند (IFD) به كاربرد نظريه‌هاي يادگيري ماشين در تشخيص عيب ماشين‌هاي دوار اشاره دارد. اين روش اميدواركننده‌اي براي حذف نياز به مشاركت انسان و تشخيص خودكار وضعيت سلامت ماشين‌هاي دوار است. به همين دليل طي دو تا سه دهه اخير توجه فراواني را به خود جلب كرده است. در گذشته، نظريه‌هاي سنتي يادگيري ماشين منجر به كاهش نياز به نيروي انساني شده و عصر هوش مصنوعي را به تشخيص عيب ماشين‌هاي دوار آوردند. در سال‌هاي اخير، ظهور نظريه‌هاي يادگيري عميق منجر به اصلاح و بهبود IFD شده است، به گونه‌اي كه از دهه 2010 به بعد موجب شد تا استفاده از فناوري‌هاي هوش مصنوعي و كمك‌هاي ماشيني در تشخيص عيب‌هاي ماشين‌آلات به شكل چشمگيري گسترش يابد. اين امر باعث شده تا روند تشخيص عيب به صورت يكپارچه و مستقيم (end-to-end) انجام شود. به عبارت ديگر، ارتباط مستقيمي بين حجم داده‌هاي نظارتي رو به رشد و وضعيت سلامت ماشين‌آلات برقرار مي‌شود. در آينده، نظريه‌هاي يادگيري انتقالي سعي دارند از دانش تشخيصي يك يا چند وظيفه تشخيصي در ساير وظايف مرتبط استفاده كنند كه به صورت آينده‌نگرانه موانع موجود در كاربرد IFD در سناريوهاي مهندسي را مرتفع مي‌سازد. در نهايت، نقشه راه IFD براي نشان دادن روندهاي تحقيقاتي بالقوه در تركيب با چالش‌هاي موجود در اين حوزه ترسيم مي‌شود.

11/22/2023 12:00:00 AM

81294

1402/09/24

A Review of Applications of Machine Learning in Rotating Machine Fault Diagnosis

ماشين‌هاي دوار , تشخيص عيب ماشين , تشخيص عيب هوشمند , يادگيري ماشين , يادگيري عميق , يادگيري انتقالي

Rotating Machine , Machine Fault Diagnosis , Intelligent Fault Diagnosis , Machine Learning , Deep Learning , Transfer Learning