Tillverkningssektorn förväntas snart bli starkt påverkad av artificiell intelligens-baserad teknik med de extraordinära ökningarna i beräkningskraft och datavolymer. Datadrivna metoder använder sensordata, som vibrationer, tryck, temperatur, och energidata för att extrahera användbara funktioner för diagnos och förutsägelse. En central utmaning inom tillverkningssektorn ligger i kravet på ett generellt ramverk för att säkerställa tillfredsställande diagnos- och övervakningsprestanda i olika tillverkningstillämpningar.

I en ny forskningsartikel publicerad i Beijing-baserade National Science Review , Prof. Ye Yuan från School of Artificial Intelligence and Automation och Prof. Han Ding från State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, föreslog gemensamt ett diagnostiskt ramverk från slut till ände som kan användas i olika tillverkningssystem. Detta ramverk utnyttjar den konvolutionella neurala nätverks förutsägande kraft för att automatiskt extrahera dolda nedbrytningsfunktioner från bullriga tidskursdata. Det föreslagna ramverket har testats på tio representativa datamängder hämtade från en mängd olika tillverkningstillämpningar. Resultaten visar att ramverket fungerar bra i granskade benchmarktillämpningar och kan tillämpas i olika sammanhang, anger dess potentiella användning som en kritisk hörnsten i smart tillverkning.

Med tanke på att det potentiella tidsberoende som finns bland de rekonstruerade proverna, denna uppsats använder tre standardmetoder för korsvalidering (slumpmässiga delmängder, sammanhängande block, och oberoende sekvens) för att utvärdera ramens prestanda. Detta dokument tolkar också hur CNN -modellen lär sig av temporära tillverkningsdata och robustheten hos det föreslagna ramverket diskuteras också.