لطالما كان الكشف عن الأعطال في الآلات (MFD) معتمدًا بشكل كبير على التعلم المراقب، والذي يواجه تحديات بسبب نقص تسميات الأعطال في البيئات الواقعية. ومع أن التعلم المعزز (Reinforcement Learning) يوفر إطار عمل لنمذجة الطبيعة المتسلسلة للتدهور، إلا أن الطرق الحالية المعتمدة على التعلم المعزز في الكشف عن الأعطال تقلل المشكلة إلى صيغة فرعية ثابتة تتجاهل تحولات الحالة والعوامل الزمنية، مما يؤدي إلى انهيارها إلى تصنيف مراقب تقليدي.

في محاولة للتغلب على هذه القضايا، اقترحنا إطار عمل التعلم العكسي العدائي (Adversarial Inverse Reinforcement Learning - AIRL) الذي يعامل الكشف عن الأعطال كمسألة تعلم عكسي غير متصل. وعلى عكس الأساليب المعتمدة على إعادة البناء التي تعتمد على هوامش خطأ ثابتة، أو الطرق التي تتجاهل الديناميات، يقوم نموذجنا باسترجاع مكافأة "الصحة" الأساسية مباشرة من تحولات الحالات الملاحظة، مما يلغي الحاجة لهندسة مكافأة يدوية أو تسميات للأعطال.

تم اختبار AIRL على ثلاثة معايير للكشف عن الأعطال (HUMS2023، IMS، XJTU-SY) وقد حقق نجاحًا ملحوظًا من خلال تحقيق الاتساق بعد الكشف عبر جميع المجموعات، في حين فشلت الطرق التقليدية في الكشف عن التدهور التدريجي. إن هذه التقنية تُحدث ثورة في إمكانية تحسين العمليات الصناعية عبر الكشف الفعال عن الأعطال دون الحاجة إلى تسميات.

لمعرفة المزيد، يمكنك زيارة الكود والبيانات المتاحة على الرابط: https://github.com/dhirajneupane/AIRL-MFD-DN.