با پیشرفت روزافزون علم، روش­های نوینی جهت پایش وضعیت سیستم­ها جایگزین روش­های سنتی شده­اند. این روش­ها باعث افزایش طول عمر سیستم شده و همین­طور از خسارات جبران­ناپذیر جلوگیری می­شود. بنابراین هم نیروی انسانی کاهش می­یابد و هم از لحاظ صرفه­ی اقتصادی باعث صرفه­جویی زیاد در هزینه­ها می­شود. برای تشخیص عیوب در سیستم­های دوار، از روش­های یادگیری ماشین می­توان استفاده کرد. یادگیری ماشین به دو شکل نظارت­شده و غیر نظارت­شده است. استفاده از یادگیری ماشین غیر نظارت­شده باعث هوشمندی بیشتر در پیش­بینی عیب می­شود. برای رسیدن به این هدف از خوشه بندی خودکار استفاده شده است. در این روش دو شاخص اعتبار جهت خوشه بندی به صورت خودکار و همین­طور ترکیب خطی آن­ها به عنوان توابع هزینه یا هدف تعریف شده است. ویژگی­های کورتوسیس، اسکیونس و پارامتر کرست از سری زمانی داده­ها گرفته شده است. بعد از استخراج ویژگی­ها، آن­ها به صورت یک آرایه به عنوان ورودی به الگوریتم خوشه­بندی خودکار داده می­شود. در ادامه با استفاده از دو الگوریتم­ فراابتکاری ازدحام ذرات و کلونی زنبور عسل به بهینه­سازی توابع هدف پرداخته شده است. در این پژوهش از دو الگوریتم جهت مقایسه­ی نحوه­ی خوشه­بندی و مقدار تابع هدف استفاده شده است. ­با استفاده از این روش مجموعه­ای از خطاهای یک سیستم را می­توان در نظر گرفت و پایش وضعیت بر روی سیستم انجام داد. دو خطای رینگ داخلی و رینگ خارجی در یاتاقان­های غلتشی در نظر گرفته شده است وسپس ویژگی­های مورد نظر استخراج گردیده تا به عنوان ورودی به الگوی تشخیص عیب داده شود. بعد از بهینه­سازی انجام شده در این روش توسط الگوریتم­های فراابتکاری، خوشه­بندی خطاها به صورت خودکار و مجزا انجام گردیده است. از دیگر عیوب موجود در سیستم­های دوار می­توان به عیوب نابالانسی و ناهم­محوری اشاره کرد. برای تشخیص این عیوب هم به استخراج ویژگی نیازمند هستیم که در یک آرایه جمع­آوری می­شوند. این آرایه به عنوان ورودی به یک شبکه­ی یادگیری عمیق جهت طبقه­بندی داده­ها داده می­شود. بعد از آموزش شبکه، با استفاده از داده­های تست به آزمایش آن پرداخته شده است. ماتریس درهم­ریختگی و منحنی مشخصه عملکرد سیستم نیز برای داده­های تست و آموزش به عنوان خروجی از شبکه در نظرگرفته­شده است.

کلمات کلیدی: یادگیری ماشین، خوشه­بندی، نابالانسی، ناهم­محوری، یادگیری عمیق