كاربرد شبكه‌هاي بيزي در تشخيص عيب موتورهاي احتراق‌ جرقه‌اي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

در دنياي مدرن، هم‌گام با توليد كالا، ايجاد و اعمال تمهيدات تعمير و نگهداري‌ اهميت زيادي دارد تا ايمني كاربران و روند صحيح خدمت‌دهي تضمين‌ شود و خسارت‌هاي ناشي از وقوع عيب كاهش يابد. در ساخت خودرو، به‌دليل ارتباط مستقيم كاربر با محصول، تمهيدات تعمير و نگهداري با رويكردي متفاوت دنبال مي‌شود تا با بهره‌گيري از جديدترين روش‌هاي پيش‌بينانه از وقوع حوادثي كه مي‌توانند هزينه‌هاي جاني و مالي تحميل كنند، جلوگيري شود. روش‌هاي يادگيري ماشين نقش فزاينده‌اي در تعمير و نگهداري پيش‌بينانه دارند. در اين ميان، براي تعمير و نگهداري، شبكه‌هاي بيزي (BN)به دليل ماهيت علّي خود،گزينه‌ي مناسبي براي پيش‌بيني عيب به شمار مي‌آيند؛ زيرا ساختار علّي‌ آن‌ها نه‌تنها از تشخيص عيب پشتيباني مي‌كند، بلكه مي‌تواند انتشار عيب را مدل‌سازي كند و تحليل علّت ريشه‌اي را نيز ممكن سازد. در اين پژوهش، روشي براي تكميل شبكه‌بيزي با هدف تشخيص عيب بر مبناي مجموعه‌داده‌ي EngineFaultDB (مجموعه‌داده‌ي موتور خودرو)، مورد مطالعه قرار گرفت. ابتدا يك متخصص خبره، اسكلت علّي را مشخص كرد اما به دليل محدوديت مشاهدات حسگرها، براي گره‌هاي عيب والد مستقيمي تعيين نشد. براي تكميل شبكه‌بيزي، از روش‌هاي آماري و حساسيت‌محور مانند Random Forest، XGBoost، SHAP، LASSO، Morris، Mutual Information، Permutation importance، Spearman Correlation، MRMR، FAST، RBD و Sobol استفاده شد.‌ هم‌چنين، مطابق با روش‌هاي پيشنهادي در پيشينه‌ي تحقيق، روشي مبتني بر Noisy-OR‌ و بوت‌استرپ پياده‌سازي شد. علاوه بر اين، چهار الگوريتم يادگيري تقريبي ساختار شبكه‌بيزي شاملPC ، Tabu Search، GFlowNetو MCMC پياده‌سازي و از نظر دقت تشخيص عيب ارزيابي شد. اين مدل‌ها براي فراهم‌كردن مراجع دقيق و فاقد وابستگي به علّيت و هم‌چنين آزمون اين پرسش گنجانده شدند كه آيا اعمالِ قيود علّيِ خبره موجب تغيير در دقت مي‌شود يا خير. نتايج مقايسه‌اي نشان داد كه اصرار بر حفظ روابط علّي مدّنظر متخصص خبره، منجر به از دست‌دادن دقتي كه الگوريتم‌هاي يادگيري ساختار فراهم مي‌كند، نمي‌شود و روش‌هاي Sobol5، Morris3 و FAST4 بيشترين دقت گزارش‌شده را ميان روش‌هاي مختلف دارند. هم‌چنين اين دقت در مقايسه با دقت اعلامي در پژوهش مرتبط با EngineFaultDB با مقدار% 75، در عين حفظ روابط علّي دقت ٪72.8 كسب شده كه نزديك به دقت پيشينه‌ي روش‌هاي آماري و بي‌توجه به روابط علّي است.

237625

علوم داده

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان