في عالم اليوم سريع التغير، تظل أنظمة تشخيص الأعطال الذكية (Intelligent Fault Diagnosis Systems - IFDS) واحدة من الأدوات الحاسمة للحفاظ على سلامة وأداء الآلات والهياكل على حد سواء. ومع ذلك، فإن أحد التحديات الكبرى التي تواجه هذه الأنظمة هو الاعتماد على كميات كبيرة من البيانات المعلّمة، والتي قد يكون الحصول عليها أمراً معقداً عند التعامل مع أعطال الآلات أو الهياكل.

لذا، قام الباحثون بتطوير نهج مبتكر يعالج نقص البيانات من خلال استغلال خصائص عدم الخطية الطبيعية للأنظمة في تصميم IFDS تعتمد على الاهتزاز. يعتمد هذا النهج على تقنية التعلم العميق للانتقال (Deep Transfer Learning - DTL) في ظروف نقص البيانات القوي.

تتضمن الطريقة التي تم اقتراحها عملية متعددة المستويات للتأثير الدوري، تعزز الخصائص الداخلية للأنظمة الحقيقية، مما يسمح بإنتاج صور يمكن تحليلها بشكل مريح بواسطة الشبكات العصبية التلافيفية المسبوقة التدريب (Convolutional Neural Networks - CNNs) لتشخيص الأعطال.

بالإضافة إلى ذلك، تم تقديم طريقة جديدة للتصور البياني للبيانات وتقنية تعزيز البيانات لمواجهة نقص البيانات المعتاد أثناء تصميم IFDS. وقد أظهرت التجارب العملية على هيكل موصل القطار (railway pantograph) فعالية ودعم قوي لهذه الطريقة الجديدة.

مع استمرار تطور أنظمة الذكاء الاصطناعي، يبدو أن هذه الابتكارات ستكون محوراً رئيسياً لتحقيق تحسينات كبيرة في مجالات التصنيع والصيانة الاستباقية.