في عالم الصناعة الحديثة، تُعتبر الصيانة التنبؤية (Predictive Maintenance) أداة أساسية لضمان استمرارية العمل وتقليل التكاليف. وفي إطار هذه الصيانة، يتجه الباحثون نحو تقنيات متقدمة لاستخراج الميزات (Feature Extraction) تعتمد على بيانات دقيقة وفعالة.

دراسة جديدة منشورة على arXiv تحت عنوان "استخراج ميزات يعتمد على الكوانتيل في أنظمة الصيانة التنبؤية متعددة الأفق"، تسلط الضوء على إطار عمل مبتكر يُعتمد فيه على تقنية الكوانتيل لتعزيز دقة النموذج. الإطار الجديد يُفصّل عملية استخراج الميزات على مرحلتين باستخدام نموذج MLP-QRNN مزدوج. حيث يتعامل QRNN1 مع توزيع احتمالي شرطى عشر كوانتيلات لكل قناة استشعار، بينما يقوم QRNN2 المُرتبط بتعديل مجموعة من الكوانتيلات المتوسطة إلى ميزات مدمجة، مدركة للتوزيع.

في الدراسة، تمت التجارب على 72 آلة في 9 منشآت صناعية، بحيث تم تحليل أداء النموذج خلال فترات زمنية متنوعة، تمتد من ساعة واحدة إلى 30 يومًا. أظهرت النتائج أن زيادة عدد الكوانتيلات المتوسطة المحفوظة من اثنين إلى أربعة يحسن درجة F1 لمدة 30 و60 دقيقة، حيث وصل إلى 75.92% و72.44% مع تمكين خاصية الانتباه.

من المثير للاهتمام، أن الاستخراج غير المعدل للأفق القصير تدهور إلى 42.90% بعد 70 ساعة، بينما استطاعت المستخرِجات المعتمدة على الأفق تحقيق 60.38% و79.97% على التوالي.

هذه النتائج تشير إلى ضرورة معالجة استخراج الميزات في الصيانة التنبؤية كمرحلة تمثيلية تعتمد على الأفق الزمني، بدلاً من كونه مرحلة تحضيرية ثابتة.