رویکرد ترنسفورمر کانولوشنی برای تشخیص عیب شمع موتور با استفاده از سیگنال صدا

تشخیص و اصلاح عیوب شمع‌ها در جلوگیری از مسائل مربوط به موتور که می‌تواند منجر به عواقب عملیاتی و مالی قابل توجهی شود، بسیار مهم است. برای افزایش دقت و استحکام تشخیص عیب شمع، این تحقیق یک رویکرد ترنسفورمر کانولوشنی را معرفی می‌کند که از نقاط قوت شبکه‌های عصبی و ترنسفورمرها استفاده می‌کند تا به طور موثر وابستگی‌های زمانی محلی و طولانی را در سیگنال‌های صوتی شمع‌ها ثبت کند. نتایج این رویکرد پیشگامانه، همانطور که در جداول و شکل‌های همراه ارائه شده است، عملکرد برتر آن را نشان می‌دهد و به دقت چشمگیر 97.1% در مسئله چالش‌برانگیز طبقه‌بندی 4 کلاس صرفاً با استفاده از سیگنال‌های صوتی دست یافته است. این دستاورد نشان‌دهنده پیشرفت قابل توجهی در حوزه تشخیص عیب شمع است، با پتانسیل راه‌اندازی روش‌های تشخیصی مطمئن‌تر و دقیق‌تر، که در نهایت به جلوگیری از خرابی‌های پرهزینه موتور و افزایش طول عمر موتور کمک می‌کند. همانطور که صنعت خودرو به تکامل خود ادامه می‌دهد، پذیرش تکنیک‌های یادگیری عمیق مانند ترنسفورمرهای کانولوشنی یک راه امیدوارکننده برای افزایش قابلیت اطمینان و عملکرد موتورهای احتراق داخلی ارائه می‌دهد و اهمیت این تحقیق را در زمینه پیشرفت‌های آینده خودرو برجسته می‌کند.

convolutional transformer approach for engine spark plug fault diagnosis using acoustic signal

detecting and rectifying spark plug faults are pivotal in preventing engine-related issues that can have substantial operational and financial consequences. to improve the accuracy and robustness of spark plug fault diagnosis, this research introduces a novel convolutional transformer approach that leverages the strengths of convolutional neural networks and transformers, which effectively capture both local and extended temporal dependencies within spark plug acoustic signals. the results of this groundbreaking approach, as presented in accompanying tables and figures, demonstrate its superior performance, achieving an impressive 97.1% accuracy in a challenging 4-class classification scenario using solely acoustic signals. this achievement signifies a significant advancement in spark plug fault detection, potentially ushering in more reliable and precise diagnostic methods, ultimately contributing to the prevention of costly engine breakdowns and the extension of engine lifespan. deep learning techniques such as convolutional transformers offer a promising way to improve the reliability and performance of internal combustion engines as the automotive industry continues to evolve, highlighting the importance of this research for future automotive developments.