DOI: https://doi.org/10.1038/s41598-025-95895-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40210923
تاريخ النشر: 2025-04-10
المؤلف: Qi Chen وآخرون
الموضوع الرئيسي: تقنيات تشخيص أعطال الآلات
نظرة عامة
تقدم ورقة البحث نموذج تشخيص أعطال محامل توربينات الرياح الجديد استنادًا إلى فعالية التوازي عبر الفضاء متعدد المقاييس باستخدام CNN Transformer (ECMCTP) لتعزيز قدرات تشخيص الأعطال في البيئات المليئة بالضوضاء. تكافح النماذج التقليدية للتعلم العميق لاستخراج الميزات الزمانية والمكانية بشكل فعال، مما يؤدي إلى فقدان المعلومات الحيوية. يعالج نموذج ECMCTP المقترح هذه المشكلة من خلال تحويل إشارات الاهتزاز أحادية البعد إلى صور زمنية ترددية ثنائية الأبعاد باستخدام تحويل الموجة المستمرة (CWT). يستخدم النموذج فرعين متوازيين: فرع شبكة عصبية تلافيفية (CNN) يدمج وحدة استخراج ميزات متعددة المقاييس، وهيكل متبقي معكوس (RRS)، وآلية انتباه متعددة المقاييس فعالة (EMA)، وفرع Transformer يجمع بين وحدات تكرارية مغلقة ثنائية الاتجاه (BiGRU) مع بنية Transformer لالتقاط الاعتماديات الزمنية المحلية وطويلة الأمد.
تظهر النتائج التجريبية أن نموذج ECMCTP يحقق دقة 100% في ظروف خالية من الضوضاء ويحافظ على متانة عالية تحت ظروف نسبة الإشارة إلى الضوضاء (SNR) المنخفضة، مع دقة تصنيف تبلغ 99% عند مستويات SNR من 6dB إلى 0dB وأكثر من 95% من 0dB إلى -6dB في البيئات المليئة بالضوضاء. تعمل بنية النموذج على تقليل عدد المعلمات بشكل فعال مع تعزيز قدرات استخراج الميزات، مما يعالج مشكلات مثل اختفاء التدرجات. كما تسلط الدراسة الضوء على أهمية دمج الميزات متعددة النماذج من الفروع المتوازية، مما يحسن بشكل كبير من أداء تشخيص الأعطال. ستركز الأعمال المستقبلية على التحقق من صحة النموذج باستخدام بيانات حقيقية من الميدان واستكشاف أدائه تحت ظروف عينات صغيرة باستخدام التعلم الانتقالي.
مقدمة
تقدم مقدمة الإعداد التجريبي الإطار الأساسي للبحث الذي تم إجراؤه. توضح المنهجيات المحددة المستخدمة للتحقيق في الفرضيات، بما في ذلك اختيار المواد والمعدات والإجراءات. تم تصميم الإعداد لضمان إمكانية إعادة إنتاج النتائج وموثوقيتها، مع التأكيد على أهمية الظروف المضبوطة في العلوم التجريبية.
تُبرز المكونات الرئيسية لتصميم التجربة، مثل معايرة الأدوات والبروتوكولات لجمع البيانات. تناقش المقدمة أيضًا الأسباب وراء الأساليب المختارة، وربطها بالأهداف البحثية العامة. تمهد هذه القسم الطريق للتحليل والنتائج اللاحقة، مما يضع سياقًا واضحًا للتجارب التي تم إجراؤها.
طرق
في هذا القسم، يوضح المؤلفون المنهجية المستخدمة لتجارب تشخيص الأعطال باستخدام نموذج ECMCTP على مجموعات بيانات CWRU وSU. تم اشتقاق النتائج التجريبية من متوسط عشر تجارب، مما يكشف أن خسارة مجموعة التحقق من النموذج انخفضت بسرعة، واستقرت بعد الحقبة الخامسة، بينما وصلت دقة مجموعة الاختبار إلى 100% في نفس الحقبة دون إظهار الإفراط في التكيف. تم تحليل الأداء بشكل أكبر باستخدام مصفوفات الالتباس، التي توضح أن النموذج حقق دقة تصنيف مثالية لكل من المهام ذات العشر فئات والأربع فئات، مع مقاييس تقييم من دقة واسترجاع ودرجة F1 جميعها تعطي قيمة 1.
لتحسين تصور نتائج التصنيف، استخدم المؤلفون تقنية التضمين الجار stochastic الموزع (t-SNE) لتصوير بيانات الإدخال ونتائج التصنيف لكلتا مجموعتي البيانات. أشارت التصورات باستخدام t-SNE إلى أنه بينما كانت فئات البيانات الأصلية مختلطة إلى حد ما في الفضاء عالي الأبعاد، نجح النموذج في استخراج ميزات أدت إلى تجمعات متميزة في الفضاء منخفض الأبعاد. وهذا يظهر قدرات التصنيف القوية للنموذج وفعاليته في فصل فئات بيانات الأعطال المختلفة. بشكل عام، يظهر نموذج ECMCTP دقة تصنيف عالية، وتقارب سريع، وعملية تدريب سلسة، مما يشير إلى إمكانية تطبيقه في تشخيص أعطال توربينات الرياح.
نتائج
تظهر نتائج تجارب الإزالة التي أجريت على مجموعة بيانات CWRU المساهمات الكبيرة لمختلف الوحدات داخل نموذج تشخيص الأعطال ECMCTP. يكشف التحليل أن نموذج ECMCTP يتفوق على نماذج المقارنة عبر خمسة مقاييس، بما في ذلك الدقة والخسارة، مما يبرز أدائه المتفوق في تصنيف الأعطال. من الجدير بالذكر أن دمج وحدات EMA وTransformer يعزز قدرات استخراج الميزات، حيث يلتقط Transformer الاعتماديات طويلة المدى في بيانات السلاسل الزمنية بينما يعزز EMA تركيز فرع CNN على الميزات الحيوية للصورة. كما أن استخدام الالتفافات القابلة للفصل بعمق والاتصالات المتبقية يحسن استخراج الميزات متعددة المقاييس واستقرار النموذج، بينما يزيد التطبيق المتوازي لـ CNN وTransformer بشكل كبير من دقة التشخيص.
في تجارب إضافة الضوضاء، تم اختبار نموذج ECMCTP تحت ظروف مختلفة لنسبة الإشارة إلى الضوضاء (SNR)، مما يكشف عن متانته ضد تداخل الضوضاء. عند SNR قدره 6 ديسيبل، حقق كل من ECMCTP وCrossVIT دقة 100%، ولكن مع زيادة مستويات الضوضاء، حافظ ECMCTP على دقة تصنيف قدرها 95.86% عند SNR قدره -6 ديسيبل، متفوقًا على نماذج أخرى مثل WDCNN وBIGRU، التي أظهرت انخفاضات ملحوظة في الأداء. أكدت التجارب أيضًا على قابلية تعميم ECMCTP عبر مجموعات بيانات مختلفة، مع أداء متفوق ثابت تحت ظروف ضوضاء متنوعة. أظهر تحليل تقليل الأبعاد باستخدام t-SNE فعالية كل وحدة في استخراج الميزات، مع حدود ميزات أوضح وتحسين التجميع الذي لوحظ بعد تطبيق وحدة استخراج الميزات متعددة المقاييس ومعالجة Transformer، مما أدى في النهاية إلى تعزيز متانة التصنيف في البيئات المليئة بالضوضاء.
مناقشة
تتناول قسم المناقشة في ورقة البحث المنهجيات المستخدمة لتشخيص الأعطال في محامل توربينات الرياح باستخدام تحويل الموجة المستمرة متعددة المقاييس عبر الفضاء (CWT) وبنية متوازية تجمع بين الشبكات العصبية التلافيفية (CNN) وTransformers. يتم استخدام CWT لتحويل إشارات السلاسل الزمنية أحادية البعد إلى صور زمنية ترددية ثنائية الأبعاد، مما يعزز تمثيل الميزات من خلال التقاط الخصائص العابرة عبر مقاييس متعددة. يتم تسليط الضوء على الموجة المركبة Morlet (CMW) لفعاليتها في تشخيص الأعطال بسبب حساسيتها للاهتزازات وقدرتها على فصل معلومات السعة والطور.
يتضمن فرع CNN الالتفاف القابل للفصل بعمق (DSC) لتقليل التعقيد الحسابي مع الحفاظ على الميزات المكانية، ويستخدم هيكل متبقي معكوس (RRS) لتسهيل تدفق التدرجات في الشبكات الأعمق. تم تقديم آلية الانتباه متعددة المقاييس (EMA) لتعزيز التعرف على الميزات عبر مقاييس مختلفة، مما يحسن من متانة النموذج ودقة التصنيف. يلتقط فرع Transformer، الذي يستخدم وحدات تكرارية مغلقة ثنائية الاتجاه (BIGRU) وآليات الانتباه الذاتي، الاعتماديات بعيدة المدى في البيانات الزمنية، مما يعزز قدرة النموذج على معالجة الأنماط المعقدة. يختتم دمج هذه المنهجيات بآلية دمج ميزات متعددة النماذج بشكل متوازي تجمع بشكل مثالي بين الميزات المكانية والزمنية، مما يعزز بشكل كبير من قدرات تشخيص الأعطال في البيئات المليئة بالضوضاء.
DOI: https://doi.org/10.1038/s41598-025-95895-x
PMID: https://pubmed.ncbi.nlm.nih.gov/40210923
Publication Date: 2025-04-10
Author(s): Qi Chen et al.
Primary Topic: Machine Fault Diagnosis Techniques
Overview
The research paper presents a novel Wind Turbine Bearing Fault Diagnosis Model based on Efficient Cross Space Multiscale CNN Transformer Parallelism (ECMCTP) to enhance fault diagnosis capabilities in noisy environments. Traditional deep learning models struggle to extract spatiotemporal features effectively, leading to critical information loss. The proposed ECMCTP model addresses this by transforming one-dimensional vibration signals into two-dimensional time-frequency images using Continuous Wavelet Transform (CWT). It employs two parallel branches: a Convolutional Neural Network (CNN) branch that integrates a multiscale feature extraction module, a Reversed Residual Structure (RRS), and an Efficient Multiscale Attention (EMA) mechanism, and a Transformer branch that combines Bidirectional Gated Recurrent Units (BiGRU) with Transformer architecture to capture both local and long-term temporal dependencies.
Experimental results demonstrate that the ECMCTP model achieves 100% accuracy in noise-free conditions and maintains high robustness under low signal-to-noise ratio (SNR) conditions, with classification accuracies of 99% at SNR levels from 6dB to 0dB and over 95% from 0dB to -6dB in noisy environments. The model’s architecture effectively reduces parameter count while enhancing feature extraction capabilities, addressing issues like gradient disappearance. The study also highlights the importance of multimodal feature fusion from the parallel branches, significantly improving fault diagnosis performance. Future work will focus on validating the model with actual field data and exploring its performance under small sample conditions using transfer learning.
Introduction
The introduction of the experimental setup outlines the foundational framework for the research conducted. It details the specific methodologies employed to investigate the hypotheses, including the selection of materials, equipment, and procedures. The setup is designed to ensure reproducibility and reliability of results, emphasizing the importance of controlled conditions in experimental science.
Key components of the experimental design are highlighted, such as the calibration of instruments and the protocols for data collection. The introduction also discusses the rationale behind the chosen methods, linking them to the overarching research objectives. This section sets the stage for the subsequent analysis and findings, establishing a clear context for the experiments conducted.
Methods
In this section, the authors detail the methodology employed for fault diagnosis experiments using the ECMCTP model on the CWRU and SU datasets. The experimental results were derived from the average of ten trials, revealing that the model’s validation set loss decreased rapidly, stabilizing after the fifth epoch, while the test set accuracy reached 100% by the same epoch without exhibiting overfitting. The performance was further analyzed using confusion matrices, which illustrated that the model achieved perfect classification accuracy for both the ten-category and four-category tasks, with evaluation metrics of Precision, Recall, and F1-score all yielding a value of 1.
To enhance the visualization of classification results, the authors utilized t-distributed stochastic neighbor embedding (t-SNE) to depict the input data and classification outcomes for both datasets. The t-SNE visualizations indicated that while the original data categories were somewhat mixed in high-dimensional space, the model successfully extracted features that resulted in distinct clusters in low-dimensional space. This demonstrates the model’s robust classification capabilities and effectiveness in separating different categories of fault data. Overall, the ECMCTP model exhibits high classification accuracy, rapid convergence, and a smooth training process, indicating its potential applicability in wind turbine fault diagnosis.
Results
The results of the ablation experiments conducted on the CWRU dataset demonstrate the significant contributions of various modules within the ECMCTP fault diagnosis model. The analysis reveals that the ECMCTP model outperforms comparison models across five metrics, including accuracy and loss, highlighting its superior fault classification performance. Notably, the integration of the EMA and Transformer modules enhances feature extraction capabilities, with the Transformer effectively capturing long-term dependencies in time-series data and the EMA bolstering the CNN branch’s focus on critical image features. The use of deeply separable convolutions and residual connections further improves multiscale feature extraction and model stability, respectively, while the parallel application of CNN and Transformer significantly boosts diagnostic accuracy.
In the noise addition experiments, the ECMCTP model was tested under various signal-to-noise ratio (SNR) conditions, revealing its robustness against noise interference. At an SNR of 6 dB, both ECMCTP and CrossVIT achieved 100% accuracy, but as noise levels increased, ECMCTP maintained a classification accuracy of 95.86% at an SNR of -6 dB, outperforming other models such as WDCNN and BIGRU, which showed marked performance declines. The experiments further confirmed ECMCTP’s generalizability across different datasets, with consistent superior performance under diverse noise conditions. Dimensionality reduction analysis using t-SNE illustrated the effectiveness of each module in feature extraction, with clearer feature boundaries and improved clustering observed after the application of the multiscale feature extraction module and Transformer processing, ultimately leading to enhanced classification robustness in noisy environments.
Discussion
The discussion section of the research paper elaborates on the methodologies employed for fault diagnosis in wind turbine bearings using an Efficient Cross-Space Multiscale Continuous Wavelet Transform (CWT) and a parallel architecture combining Convolutional Neural Networks (CNN) and Transformers. The CWT is utilized to convert one-dimensional time-series signals into two-dimensional time-frequency images, enhancing feature representation by capturing transient characteristics across multiple scales. The Complex Morlet Wavelet (CMW) is highlighted for its effectiveness in fault diagnosis due to its sensitivity to oscillations and ability to separate amplitude and phase information.
The CNN branch incorporates Depthwise Separable Convolution (DSC) to minimize computational complexity while preserving spatial features, and employs a Reverse Residual Structure (RRS) to facilitate gradient flow in deeper networks. The Efficient Multiscale Attention (EMA) mechanism is introduced to enhance feature recognition across different scales, improving the model’s robustness and classification accuracy. The Transformer branch, utilizing Bidirectional Gated Recurrent Units (BIGRU) and self-attention mechanisms, captures long-range dependencies in temporal data, further augmenting the model’s ability to process complex patterns. The integration of these methodologies culminates in a multimodal parallel feature fusion mechanism that optimally combines spatial and temporal features, significantly enhancing fault diagnosis capabilities in noisy environments.