نظام ذكي لاكتشاف أعطال الدوائر الإلكترونية (Biquad Filter) باستخدام التعلم العميق

يصنف هذا المشروع ضمن "الأنظمة المدمجة والذكاء الاصطناعي للهندسة الإلكترونية". وهو عبارة عن دمج بين تصميم الدوائر التماثلية (Analog Circuits) وتقنيات تعلم الآلة (Machine Learning) لإنشاء نظام تشخيصي قادر على تحديد العطل في المكونات (المقاومات والمكثفات) بدقة عالية دون الحاجة لتدخل بشري معقد. 2. ميزات المشروع (Key Features) دقة تشخيصية استثنائية: حقق النظام دقة تصل إلى 99.34% باستخدام الشبكات العصبية، مما يجعله موثوقاً في البيئات الصناعية.تحليل الأعطال المركبة: القدرة على اكتشاف الأعطال الفردية (Single Faults) والأعطال المزدوجة (Double Faults) التي تحدث في وقت واحد.نمذجة رياضية دقيقة: يعتمد النظام على دالة النقل (Transfer Function) للفلتر، مما يربط بين التغير الفيزيائي في المكونات والنتائج البرمجية.سرعة الاستجابة: بمجرد استخراج الميزات (Features) من الدائرة، يقوم النموذج بتحديد نوع العطل في أجزاء من الثانية.شمولية البيانات: تم تدريب الموديل على قاعدة بيانات تحتوي على 51 حالة عطل مختلفة تغطي أغلب احتمالات التلف في الدائرة. 3. طريقة التنفيذ (Implementation Methodology) تنفيذ المشروع بأربع مراحل أساسية: المرحلة الأولى: التصميم الهندسي والمحاكاة تم تصميم دائرة Tow-Thomas Biquad Filter باستخدام مكبرات العمليات ADTL082.تم تحديد القيم الاسمية للمكونات (مثل C_9 = 1pF للحالة السليمة).تم إجراء محاكاة دقيقة لتأثير تغير قيم المكونات على مخرجات الدائرة (Amplitude, Phase). المرحلة الثانية: بناء قاعدة البيانات تم تطوير كود بايثون لتوليد بيانات اصطناعية تحاكي الواقع.تم إدخال انحرافات مقصودة في قيم المكونات (مثل تغيير C_ إلى 0.5nF) لتسجيل "بصمة العطل". .المرحلة الثالثة: تطوير النماذج الذكية (AI Modeling) الشبكات العصبية (ANN): تم بناء شبكة متعددة الطبقات (MLP) بمهام تصنيف معقدة.ماكينات المتجهات الداعمة (SVM): تم استخدامه كنموذج مقارن لضمان اختيار الخوارزمية الأفضل.تم استخدام مكتبة Scikit-learn لتدريب النماذج وتقسيم البيانات بنسبة 70% للتدريب و30% للاختبار.المرحلة الرابعة: التقييم والتوثيقمقارنة النتائج وتوضيح تفوق الـ ANN في التعامل مع العلاقات غير الخطية للدوائر الإلكترونية.توثيق المشروع برمجياً وهندسياً لضمان سهولة إعادة التشغيل والتطوير.تااjj