تُعتبر عملية تشخيص الأعطال تحت ظروف تشغيل غير مرئية من التحديات الكبيرة، وخاصةً عندما تكون البيانات المصنفة قليلة. ولكن، يُظهر البحث الأخير في مجال الذكاء الاصطناعي تقدماً كبيراً من خلال تطبيق تقنية جديدة تُعرف بالتعلم المتباين الهرمي المدرك للدومين (DAHCL)، وهي خطوة مبتكرة نحو إدارة هذه المشكلة.

تعتمد فكرة التشخيص في ظل نقص البيانات المصنفة على نموذج التعلم شبه المُشرف (Semi-Supervised Learning) حيث يتم استغلال البيانات المصنفة وغير المصنفة معاً. ومع ذلك، كانت هناك تحديات وعقبات تواجه الأساليب الحالية، مثل تحيز العلامات الزائفة التي تُستخدم للبيانات غير المصنفة، وذلك بسبب الاعتماد على المعرفة المكتسبة من البيانات المُصنفة.

المُقترح الجديد، DAHCL، يتضمن وحدة تعلم مدرك للدومين (Domain-Aware Learning) تمكّن من التقاط الخصائص الهندسية لمجالات المصدر وضبط التوقعات بشكل أفضل مما يقلل من التحيز. كما يقدم أيضًا وحدة تعلم متباين هرمية (Hierarchical Contrastive Learning) تضم استراتيجيات ديناميكية وتوجيه مرن للتعلم من العينات غير المؤكدة دون الاعتماد على علامات قاسية يمكن أن تُحدث ضوضاء إضافية.

من خلال هذه الطريقة، يتم تحسين جودة الإشراف واستغلال العينات غير المصنفة بشكل فعال، مما يجعلها أكثر تطابقاً مع السيناريوهات الصناعية الواقعية التي قد تواجه مهندسي الصيانة.

تظهر التجارب على ثلاثة مجموعات بيانات مرجعية أن DAHCL يُحقق نتائج متفوقة تُؤكد فعاليته في تشخيص الأعطال بدقة أكثر من الأساليب السابقة.

ما رأيكم في هذه التقنية الحديثة؟ هل تعتقدون أنها ستحدث تحولاً كبيراً في مجال تشخيص الأعطال؟ شاركونا تعليقاتكم!