En ende-til-ende generel ramme for automatisk diagnose af produktionssystemer

Fremstillingssektoren forventes snart at blive stærkt påvirket af kunstig intelligens-baserede teknologier med de ekstraordinære stigninger i regnekraft og datamængder. Datadrevne metoder bruger sensordata, såsom vibrationer, tryk, temperatur, og energidata til at udtrække nyttige funktioner til diagnose og forudsigelse. En central udfordring i fremstillingssektoren ligger i kravet om en generel ramme for at sikre tilfredsstillede diagnoser og overvågningsydelser i forskellige fremstillingsapplikationer.

I en ny forskningsartikel offentliggjort i Beijing-baserede National Science Review , Prof. Ye Yuan fra School of Artificial Intelligence and Automation og Prof. Han Ding fra State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong Universitet for Videnskab og Teknologi, i fællesskab foreslået en ende-til-ende diagnostisk ramme, der kan bruges i forskellige produktionssystemer. Denne ramme udnytter forudsigelseskraften i foldede neurale netværk til automatisk at udtrække skjulte nedbrydningsfunktioner fra støjende tidsforløbsdata. Den foreslåede ramme er blevet testet på ti repræsentative datasæt hentet fra en lang række forskellige fremstillingsapplikationer. Resultater viser, at rammen fungerer godt i undersøgte benchmark-applikationer og kan anvendes i forskellige sammenhænge, angiver dets potentielle brug som en kritisk hjørnesten i smart fremstilling.

I betragtning af, at den potentielle tidsafhængighed, der eksisterer blandt de rekonstruerede prøver, dette papir bruger tre standard krydsvalideringsmetoder (tilfældige delmængder, sammenhængende blok, og uafhængig sekvens) for at evaluere rammens ydeevne. Dette papir fortolker også, hvordan CNN-modellen lærer af tidsmæssige produktionsdata, og robustheden af ​​den foreslåede ramme diskuteres også.