روش تطبیق‌پذیر شناسایی خطا در سیستم‌های مهندسی با استفاده از یادگیری ماشین

در حوزه مهندسی سیستم، تشخیص سریع و کارآمد خطا برای حفظ ایمنی و عملیاتی نگهداشتن سیستم بسیار مورد توجه است. روش‌های سنتی اغلب برای شناسایی خطاهای از پیش تعریف‌شده طراحی شده‌اند و به دانش عمیقی از سیستم نیاز دارند، که این ویژگی به کارگیری روش‌های سنتی را محدود می‌کنند. ما یک رویکرد جدید تشخیص خطا مبتنی بر یادگیری ماشین را معرفی می‌کنیم که از حداقل داد‌های سیستم برای مدل‌سازی استفاده می‌کند. برخلاف روش‌های سنتی، رویکرد ما به اطلاعات و تخصص دقیق در خصوص خطاهای خاص سیستم نیاز ندارد. در عوض، انحرافات جدی از رفتار عادی را شناسایی و به عنوان خطاهای بالقوه علامت گذاری می‌کند. این مدل فرض می‌کند که هر گونه اختلاف معنی‌دار بین مقدار داده‌های حسگر دریافتی با مقدار مورد انتظار، نشان دهنده یک خطا است، لذا فرآیند تشخیص خطا را ساده‌تر و کاربردی تر می‌کند. برای بررسی عملکرد مدل، آزمایش‌هایی را روی یک کوادکوپتر با تمرکز بر خرابی موتورها انجام دادیم. نتایج نشان داد که مدل می‌تواند با موفقیت خطاها را بدون دانش قبلی از انواع خطاهای خاص شناسایی کند، و یک راه‌حل انعطاف‌پذیر و مقیاس‌پذیر برای کاربردهای صنعتی مختلف ارائه ‌دهد. سادگی و سازگاری این روش آن را برای سیستم‌های پیچیده جذاب می‌کند.

a adaptable fault detection method in engineering systems using machine learning

in the realm of system engineering, efficient and rapid fault detection is crucial for maintaining operational safety and performance. traditional fault detection methodologies often depend on extensive system-specific knowledge and are designed to identify only predefined faults, limiting their broader application. this paper introduces a novel machine learning-based fault detection approach that leverages minimal system inputs to model normal operating conditions. unlike traditional methods, our approach does not require detailed expertise about specific fault conditions. in-stead, it detects deviations from normal behavior, flag-ging these as potential faults. this model assumes that any significant discrepancy between expected and actu-al sensor data indicates a fault, thereby simplifying the fault detection process and enhancing its applicability across various systems. to validate the effectiveness of this approach, we conducted experiments on a quad-copter, focusing on motor and external disturbances. the results demonstrate that our model can successfully identify faults without prior knowledge of specific fault types, offering a flexible and scalable solution for vari-ous industrial applications. the simplicity and adapta-bility of this method make it particularly attractive for systems where traditional fault detection techniques may be impractical due to complexity or the need for rapid deployment.