حسین حق بین

تشخیص خطا در ماشین های دوار یکی از موضوعات مهم در پایش وضعیت و نگهداری پیش بینانه تجهیزات صنعتی است. خرابی این ماشین ها می تواند باعث توقف ناگهانی سامانه، کاهش کارایی و افزایش هزینه های تعمیر و نگهداری شود. در این میان، سیگنال های ارتعاشی به دلیل حساسیت بالا نسبت به تغییرات مکانیکی، یکی از منابع مهم برای شناسایی وضعیت سلامت ماشین و تشخیص خطا محسوب می شوند. در این پژوهش، چند مدل مبتنی بر شبکه عصبی کانولوشنی برای تشخیص خطای ماشین های دوار بررسی و مقایسه شده اند. هدف اصلی، ارزیابی توانایی این مدل ها در یادگیری ویژگی های مؤثر از سیگنال ارتعاشی خام و بررسی پایداری آن ها در شرایط وجود اغتشاش است. در این راستا، عملکرد مدل پایهCNN و مدل های GACNN،DSICNN و DPCCNN از جنبه های مختلفی مانند دقت تشخیص، مقاومت در برابر اغتشاش و پیچیدگی محاسباتی مورد تحلیل قرار گرفته است. نتایج کلی نشان می دهد که استفاده از معماری های بهینه تر می تواند موجب بهبود عملکرد تشخیص خطا و افزایش پایداری مدل در شرایط اغتشاشی شود. همچنین، مقایسه مدل ها نشان می دهد که تنها افزایش دقت کافی نیست و توجه به تعداد پارامترها، هزینه محاسباتی و اندازه مدل نیز برای طراحی سامانه های عملی پایش وضعیت اهمیت دارد. بر این اساس، انتخاب معماری مناسب می تواند نقش مؤثری در ایجاد توازن میان دقت، پایداری و کارایی محاسباتی داشته باشد.