في عالم صناعي سريع التطور، تظل عملية تشخيص الأعطال (Fault Diagnosis) تحت ظروف تشغيل غير مألوفة من أكبر التحديات التي تواجه المهندسين. مع قلة البيانات المعلّمة، تصبح المهمة أكثر تعقيدًا. لكن يبدو أن هناك بارقة أمل جديدة، وهي تقنية التعلم المتباين الهرمي المدرك للمجال (Domain-Aware Hierarchical Contrastive Learning) التي تُعرف اختصارًا (DAHCL).

تقدم هذه التقنية حلاً عمليًا يعكس التحديات الحالية من خلال الاستفادة المشتركة من المجالات المعلّمة وغير المعلّمة. ومع ذلك، تعاني الطرق الحالية من قيود مزدوجة. أولاً، غالبًا ما يتم توليد التسميات الزائفة (Pseudo-Labels) للمجالات غير المعلّمة بناءً على المعرفة المكتسبة من المجال المعلّم، وهو ما يؤدي إلى انحياز واسع النطاق في التسميات المولّدة. ثانياً، تعتمد طرق معالجة العينات غير المعلّمة على استراتيجية صارمة للتصنيف، مما يتسبب في استخدام غير متوازن للعينات.

للتغلب على هذه المشكلات، يأتي DAHCL مع إطار موحد يحل هذه التحديات. حيث يقدم وحدة تعلم مدرك للمجال (Domain-Aware Learning) التي تستخلص خصائص هندسية فريدة من المجال المعلّم وتعمل على تعديل تنبؤات التسميات الزائفة عبر مجالات متعددة. كما يتضمن DAHCL وحدة تعلم متباين هرمي (Hierarchical Contrastive Learning) تجمع بين تصنيف الثقة الديناميكي والإشراف التبادلي الضبابي، مما يتيح للعينات غير المؤكدة المساهمة في تعلم التمثيل دون الاعتماد على تسميات صارمة غير موثوقة.

تسهم DAHCL في تحسين جودة الإشراف واستغلال العينات غير المعلّمة، مما يمثل نقلة نوعية في مجال تشخيص الأعطال. وبما أن هذه التقنية تم تطويرها مع وضع الضوضاء الهندسية في الاعتبار، فإنها تعكس بشكل أفضل السيناريوهات الصناعية العملية. يُظهر البحث الذي تم إجراؤه على ثلاثة مجموعات بيانات معترف بها أن DAHCL يمكن أن يحسّن بشكل كبير من دقة عمليات التشخيص.

إن كان لديك أي استفسار حول هذه التقنية أو تطبيقاتها، فإننا ندعوك للتفاعل ومشاركة آرائك في التعليقات أدناه!