DOI: https://doi.org/10.1038/s41598-026-47377-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41965877
تاريخ النشر: 2026-04-11
المؤلف: Muhammad Farooq Siddique وآخرون
الموضوع الرئيسي: تقنيات تشخيص أعطال الآلات
نظرة عامة
يتناول قسم ورقة البحث تطوير إطار عمل للتعلم الانتقالي متعدد المراحل يهدف إلى تحسين موثوقية تقييم الأعطال المعتمد على الاهتزاز في الآلات الدوارة، خاصة تحت ظروف تشغيل متغيرة وبيانات محدودة معلمة. غالبًا ما تواجه نماذج التشخيص المعتمدة على البيانات التقليدية مشاكل في الأداء بسبب التغيرات في سرعة التشغيل وندرة عينات الأعطال، مما يحد من فعاليتها في التطبيقات الواقعية. للتغلب على هذه التحديات، يستخدم الإطار المقترح شبكة تلافيفية مدربة مسبقًا تخضع لسلسلة من التعديلات: تعلم الميزات العامة، تحسين تمثيل الاهتزازات، وضبط دقيق يركز على المهمة. يسمح هذا النهج بإعادة استخدام الميزات بشكل مستقر مع الحفاظ على الخصائص الأساسية للإشارات ذات الصلة بالتفتيش.
تظهر النتائج التجريبية من إشارات الاهتزاز المجمعة من آلة الطحن عند خمس سرعات مختلفة للمغزل أن الإطار يحقق دقة تصنيف عالية، تتراوح من 97.70% إلى 100%. تشير النتائج إلى أن الطريقة المقترحة تعزز بشكل كبير فصل أنماط الزمن-التردد الناتجة عن الأعطال مقارنة باستراتيجيات النقل ذات المرحلة الواحدة التقليدية. من خلال تحسين المتانة تجاه التغيرات التشغيلية وتقليل الاعتماد على مجموعات بيانات معلمة واسعة، يقدم هذا الإطار مساهمة قيمة في التقييم غير المدمر، مما يسهل التنفيذ العملي لأنظمة مراقبة الحالة المعتمدة على الاهتزاز في البيئات الصناعية.
مقدمة
في سياق ثورة الصناعة 4.0، أصبحت سلامة وموثوقية الآلات الدوارة، مثل المحركات الكهربائية وتوربينات الرياح، ذات أهمية قصوى بسبب أدوارها الحيوية في الأنظمة الصناعية. تقدم هذه الورقة نهجًا جديدًا لتشخيص الأعطال في هذه الآلات من خلال طريقة تشخيص الأعطال المعتمدة على محاذاة المجال متعددة المستويات (MDAAT)، التي تعالج بفعالية التحديات التي تطرحها الفجوات الكبيرة في التوزيع بين المجالات المصدر والهدف. تستفيد الطريقة من المحاذاة متعددة المستويات وإعادة تكوين الفضاء داخل الفئة لتعزيز متانة التشخيص، محققة دقة تزيد عن 95% عند سرعات التشغيل المنخفضة والمتوسطة، على الرغم من أن الأداء ينخفض عند السرعات العالية (1440 دورة في الدقيقة)، حيث تصبح الأخطاء في التصنيف أكثر شيوعًا.
توضح الدراسة أيضًا مرحلة تدريب محددة للاهتزاز تستخدم نموذج ResNet-50 المدرب مسبقًا، والذي يعدل الميزات العامة من ImageNet إلى مجال الاهتزاز باستخدام مجموعة بيانات RPM متوسطة. تتيح عملية التكيف هذه، التي تتميز بإلغاء تجميد تدريجي وضبط دقيق لطبقات النموذج، للشبكة تعلم أنماط الاهتزاز المميزة التي تعتبر حاسمة لاكتشاف الأعطال. يظهر إطار العمل المقترح للتعلم الانتقالي المكاني متعدد المستويات (MSTL) أداءً متفوقًا مقارنة بـ MDAAT، حيث يحافظ على دقة تزيد عن 97% عبر جميع سرعات RPM، مع فصل أوضح للفئات وتقليل الأخطاء في التصنيف، خاصة عند سرعات التشغيل الصعبة. تؤكد النتائج فعالية نهج MSTL في تحقيق تشخيص موثوق للأعطال في الآلات الدوارة تحت ظروف متغيرة.
طرق
في هذا القسم، يصف المؤلفون إعداد التجربة واكتساب مجموعة البيانات لتقييم إطار عمل تشخيص الأعطال الخاص بهم باستخدام إشارات الاهتزاز من آلة الطحن. كان الهدف الرئيسي هو اكتشاف وتصنيف الأعطال في مكونات الآلات المختلفة، حيث تم تقييم الطريقة المقترحة مقارنة بالأساليب الحالية لتسليط الضوء على فعاليتها. استخدمت التجارب آلة طحن INTER-SIEG X1، وتم جمع إشارات الاهتزاز بتردد عينة قدره 25.6 كيلو هرتز باستخدام تكوين مستشعر مزدوج. تم وضع جهاز التسارع الرئيسي بالقرب من المغزل لالتقاط ديناميات الآلة، بينما ضمنت مستشعر مساعد على المحرك استقرار جمع البيانات. من الجدير بالذكر أنه تم تحليل بيانات من جهاز تسارع واحد فقط (القناة 1)، مع الحفاظ على تركيز واضح على بيانات الاهتزاز لتدريب النموذج وتقييمه.
تضمنت المنهجية معالجة إشارات الاهتزاز المكتسبة إلى تحويل الموجات المستمرة (CWT) التي خدمت كمدخلات لهندسة ResNet-50 المعدلة. تم تجميد أو إلغاء تجميد طبقات الشبكة بشكل استراتيجي لتسهيل تعلم الميزات البصرية منخفضة المستوى وأنماط الاهتزاز المحددة، مما يتيح التكيف مع مجال RPM المستهدف لتصنيف الأعطال. أنتجت الطبقة النهائية احتمالات الفئات لأربع فئات من الأعطال: BF (عطل المحمل)، GF (عطل التروس)، TF (عطل الأداة)، وN (عادي). يضمن هذا النهج المنظم أن يكون الإطار قويًا ومخصصًا لتشخيص الأعطال بشكل فعال في التطبيقات الصناعية.
نقاش
يسلط النقاش الضوء على التعقيد المتزايد في الآلات الذي يتطلب استراتيجيات فعالة لمراقبة الحالة وتقييم الأعطال. تعتبر القدرة على اكتشاف وتحديد الأعطال المبكرة أمرًا حيويًا لتنفيذ إجراءات تصحيحية في الوقت المناسب، مما يقلل من خطر الفشل الكارثي والتوقفات غير المخطط لها. ركزت التطورات الأخيرة في منهجيات التشخيص المعتمدة على الاهتزاز على الاستفادة من تقنيات التعلم الآلي والتعلم العميق لتعزيز دقة وموثوقية تقييم صحة الآلات. بينما تتطلب خوارزميات التعلم الآلي التقليدية هندسة ميزات يدوية واسعة، فإن نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNNs)، تقوم بأتمتة استخراج الميزات، على الرغم من أنها لا تزال تواجه تحديات بسبب ندرة البيانات المعلمة في السيناريوهات الواقعية.
لمعالجة هذه القيود، يدمج إطار التعلم الانتقالي متعدد المراحل (MSTL) المقترح تمثيلات الموجات الزمنية-الترددية مع استراتيجية تكيف منظمة. من خلال استخدام نموذج ResNet-50 المدرب مسبقًا، يسهل إطار MSTL التكيف التدريجي للميزات عبر ظروف التشغيل المتغيرة، مما يحسن من متانة تشخيص الأعطال. يستخدم الإطار عملية تكيف من ثلاث مراحل: تعلم تمثيلات محددة للاهتزاز من ظروف تشغيل متوسطة، تحسين الميزات الحساسة للأعطال باستخدام مجالات ذات صلة وثيقة، وضبط دقيق على مجموعات بيانات مستهدفة غير مرئية. يعزز هذا النهج الهرمي التعميم وموثوقية التشخيص، خاصة تحت سرعات وفئات أعطال متغيرة. تظهر النتائج أن إطار MSTL يتفوق بشكل كبير على طرق التعلم الانتقالي التقليدية، محققًا دقة أعلى ومعدلات أقل من الأخطاء في التصنيف عبر إعدادات RPM المختلفة، مما يؤكد فعاليته في تطبيقات التقييم غير المدمر في العالم الحقيقي.
DOI: https://doi.org/10.1038/s41598-026-47377-x
PMID: https://pubmed.ncbi.nlm.nih.gov/41965877
Publication Date: 2026-04-11
Author(s): Muhammad Farooq Siddique et al.
Primary Topic: Machine Fault Diagnosis Techniques
Overview
The research paper section discusses the development of a multistage transfer learning framework aimed at improving the reliability of vibration-based fault evaluation in rotating machinery, particularly under varying operational conditions and limited labeled data. Traditional data-driven diagnostic models often experience performance issues due to changes in operating speed and a scarcity of fault samples, which limits their effectiveness in real-world applications. To overcome these challenges, the proposed framework utilizes a pretrained convolutional network that undergoes a series of adaptations: generic feature learning, vibration-specific representation refinement, and task-focused fine-tuning. This approach allows for stable feature reuse while maintaining the essential characteristics of inspection-relevant signals.
Experimental results from vibration signals collected from a milling machine at five different spindle speeds demonstrate that the framework achieves high classification accuracy, ranging from 97.70% to 100%. The findings indicate that the proposed method significantly enhances the separation of fault-induced time-frequency patterns compared to conventional single-stage transfer strategies. By improving robustness to operational variability and minimizing reliance on extensive labeled datasets, this framework offers a valuable contribution to non-destructive evaluation, facilitating the practical implementation of vibration-based condition monitoring systems in industrial settings.
Introduction
In the context of the Industry 4.0 revolution, the safety and reliability of rotating machinery, such as electric motors and wind turbines, have become paramount due to their critical roles in industrial systems. This paper introduces a novel approach for fault diagnosis in these machines through a Multilevel Domain Alignment Adaptation-Based Transfer Fault Diagnosis Method (MDAAT), which effectively addresses the challenges posed by significant distribution discrepancies between source and target domains. The method leverages multilevel alignment and intraclass spatial reconstitution to enhance diagnostic robustness, achieving over 95% accuracy at lower and mid operating speeds, although performance declines at higher speeds (1440 RPM), where misclassifications become more prevalent.
The study further details a vibration-specific training stage utilizing a pretrained ResNet-50 model, which adapts generic features from ImageNet to the vibration domain using an intermediate RPM dataset. This adaptation process, characterized by progressive unfreezing and fine-tuning of model layers, enables the network to learn distinctive vibration patterns that are crucial for fault detection. The proposed Multilevel Spatial Transfer Learning (MSTL) framework demonstrates superior performance compared to MDAAT, maintaining accuracies above 97% across all RPMs, with clearer separation of classes and reduced misclassifications, particularly at challenging operational speeds. The findings underscore the effectiveness of the MSTL approach in achieving robust fault diagnosis in rotating machinery under varying conditions.
Methods
In this section, the authors describe the experimental setup and dataset acquisition for evaluating their fault diagnosis framework using vibration signals from a milling machine. The primary aim was to detect and classify faults in various machine components, with the proposed method being benchmarked against existing approaches to highlight its effectiveness. The experiments utilized an INTER-SIEG X1 Micro Mill Drill, and vibration signals were collected at a sampling frequency of 25.6 kHz using a dual-sensor configuration. The main accelerometer was positioned near the spindle to capture the dynamics of the machine, while an auxiliary sensor on the motor ensured stable data acquisition. Notably, only the data from a single accelerometer (Channel 1) were analyzed, maintaining a clear focus on vibration data for model training and evaluation.
The methodology involved processing the acquired vibration signals into Continuous Wavelet Transform (CWT) scalograms, which served as input for a modified ResNet-50 architecture. The network’s layers were strategically frozen or unfrozen to facilitate the learning of low-level visual features and vibration-specific patterns, ultimately adapting to the target RPM domain for fault classification. The final output layer produced class probabilities for four fault categories: BF (Bearing Fault), GF (Gear Fault), TF (Tool Fault), and N (Normal). This structured approach ensures that the framework is robust and tailored for effective fault diagnosis in industrial applications.
Discussion
The discussion highlights the increasing complexity in machinery that necessitates effective condition monitoring and fault evaluation strategies. The ability to detect and identify incipient faults is crucial for implementing timely corrective actions, thereby minimizing the risk of catastrophic failures and unplanned downtimes. Recent advancements in vibration-based diagnostic methodologies have focused on leveraging machine learning and deep learning techniques to enhance the accuracy and reliability of machine health assessments. While traditional machine learning algorithms require extensive manual feature engineering, deep learning models, such as convolutional neural networks (CNNs), automate feature extraction, although they still face challenges due to the scarcity of labeled data in real-world scenarios.
To address these limitations, the proposed multistage transfer learning (MSTL) framework integrates time-frequency scalogram representations with a structured adaptation strategy. By utilizing a pretrained ResNet-50 model, the MSTL framework facilitates progressive adaptation of features across varying operational conditions, improving fault diagnosis robustness. The framework employs a three-stage adaptation process: learning vibration-specific representations from intermediate operating conditions, refining fault-sensitive features using closely related domains, and fine-tuning on unseen target datasets. This hierarchical approach enhances generalization and diagnostic reliability, particularly under variable speeds and fault categories. The results demonstrate that the MSTL framework significantly outperforms conventional transfer learning methods, achieving higher accuracy and lower misclassification rates across different RPM settings, thereby confirming its effectiveness in real-world nondestructive evaluation applications.