تركز هذه الدراسة على التنبؤ الدقيق والموثوق للعمر المتبقي للاستخدام (RUL) للمحامل. في السنوات الأخيرة، حظي التنبؤ بـ RUL باستخدام التعلم الآلي باهتمام كبير في ضمان سلامة وكفاءة وتكلفة الآلات الصناعية. ومع ذلك، فإن الإشارات الاهتزازية الأولية المجمعة من تجارب التشغيل الكاملة للعمر عادة ما تتميز بضوضاء عالية وعدم استقرار وأبعاد عالية، مما يجعل تعلم نمط التدهور المباشر تحديًا. هذا غالبًا ما يؤدي إلى توقعات غير متناسقة لعمر التشغيل المتبقي في أي لحظة معينة، مما يضعف موثوقية التنبؤ. لذلك، تقترح هذه الدراسة إطارًا موثوقًا للتنبؤ متعدد المراحل يجمع بين معالجة الإشارة القوية، وتصنيف الحالة الصحية المعتمد على البيانات، وتقدير RUL المستند إلى التعلم العميق. يستخدم هذا الإجراء تقريبات التجميع المجزأ للتقليل من الأبعاد، ويستعين بتحليل الطيف الفريد لقمع الضوضاء، ويقدم طريقة لاكتشاف نقاط التغير القائمة على اللحظات المركزية لتحديد نقطة بدء التدهور تلقائيًا. بعد ذلك، تم إنشاء مؤشرات صحية لتمثيل عملية التدهور والعمر الفعّال. يستخدم مصنف تعزيز التدرج المتطرف لتمييز حالة التشغيل الصحية عن حالة التدهور بناءً على استجابة الاهتزاز. ثم تم اقتراح شبكة عصبية هجينة تجمع بين الشبكة الالتفافية وشبكة الذاكرة المتكررة البوابة (CGR) لتوقع RUL. تم التحقق من هذه الطريقة على مجموعات بيانات لمحامل تشغيل كامل العمر في ظروف تشغيل مختلفة. أظهرت النتائج ذات الصلة أن متوسط درجة F1 للمصنف بلغ حوالي 0.993، وكانت مؤشرات الموثوقية أعلى من 2.0، مما يدل على قدرته على تحديد الحالة الصحية بوضوح. أظهرت شبكة CGR المقترحة أداءً ممتازًا مع دقة عالية في الانحدار لتوقع RUL. تمت مقارنة أداء هذه الشبكة بأحدث الطرق المتقدمة الحالية (بما في ذلك الشبكات العصبية الذاكرية طويلة وقصيرة المدى ثنائية الاتجاه، ووحدات الذاكرة المتكررة البوابة، وشبكات الكثافة المتبقية المعتمدة على الالتفاف التوسعي السببي مع آلية الانتباه للقنوات، وشبكات التحويل المعتمدة على الشبكات الزمنية الالتفافية). بشكل عام، تؤكد النتائج أن الإطار المقترح قادر على تحقيق تنبؤ دقيق وفعال حسابيًا ويأخذ في الاعتبار الموثوقية لـ RUL، مما يجعله مناسبًا للمراقبة الزمنية والحفاظ التنبؤي للآلات الدوارة.

التنبؤ بالأعطال; تقييم موثوقية التنبؤ بـ RUL; معالجة إشارة الاهتزاز; التعلم العميق