سعى الباحثون إلى تطوير نماذج تحترم القوانين الفيزيائية وتحقق نتائج دقيقة، وركزوا على تطبيق طريقة الحفاظ على البعد (Distance Awareness) مما يزيد من إلمام النتائج بالمشكلات المتنوعة.
النماذج؟ ">كيف تعمل هذه النماذج؟
يتمتع نظام PC-SNGP بإمكانية استبدال المخرجات الكثيفة مع مجموعة Gaussian processes، التي تدعم زيادة التباين الخلفي وفقًا لمدى البعد عن مجموعة التدريب. بينما يقدم PC-SNER طبقة إخراج تتوقع معلمات Normal-Inverse-Gamma (NIG) للحفاظ على التقديرات والنمذجة الدقيقة للبيانات.
ميزات إضافية ">ميزات إضافية
لتأمين توازن بين دقة البيانات والاتساق الفيزيائي خلال مرحلة التدريب، قدم الباحثون استراتيجية وزن ديناميكية للخسائر المحكومة بالفيزياء. بالإضافة إلى ذلك، تم تقديم مقياس DAC (distance-aware-coefficient) لقياس حساسية التحولات التوزيعية، مما يعزز موثوقية النتائج بشكل كبير.
تم التحقق من كفاءة هذه النماذج في التنبؤ بفشل محامل التحميل الدائرية (Rolling Element Bearings - REBs) باستخدام مجموعات بيانات مرجعية متعددة مثل PRONOSTIA وXJTU-SY وHUST. أظهرت النتائج التجريبية تحسنًا ملحوظًا في دقة التنبؤ وتقديرات موثوقة للمخاطر مقارنة بالنماذج المتنافسة، مما يعكس أداءً جيدًا خلال تقنيات التحقق المتقاطع ومتانة تحت ظروف صعبة.
تعد هذه الاكتشافات خطوة هامة نحو بناء نماذج أكثر صدقًا وموثوقية في مجال التنبؤات الصناعية، مما يقدم آفاقًا واعدة للمستقبل.