振動ベースのドリルビット状態監視におけるマスク特徴量事前学習によるラベル依存性の低減

科学分野:

• 製造工学
• 機械学習
• データサイエンス

背景:

• ツール状態監視（TCM）は、不正確さやダウンタイムを防ぐための精密機械加工において重要である。
• 現在のデータ駆動型診断は、しばしば広範なラベル付きデータセットを必要とし、産業での採用を妨げている。
• 既存の手法は、データ制限のために新しいツールや機械加工条件への適応に課題を抱えている。

研究 の 目的:

• ツール状態監視（TCM）のためのデータ効率の良いフレームワークを開発すること。
• TCMにおける機械学習モデルのための大規模ラベル付きデータセットへの依存を減らすこと。
• 最小限の注釈労力で正確なドリル摩耗分類を可能にすること。

主な方法:

• 自己教師ありマスク特徴量事前学習（SSL-MFP）フレームワークを導入した。
• マスクされた時間周波数特徴量を再構築することによって、潜在的な振動表現を学習した。
• 分類のために、ラベル付きデータの小さなサブセットを使用して事前学習済みエンコーダーをファインチューニングした。

主要な成果:

• 完全に教師ありのモデルに匹敵する分類精度を達成した。
• 大幅に少ないラベル付きサンプルで効果的な汎化能力を実証した。
• 学習済み特徴量多様体における明確なクラス分離を示し、表現力を確認した。

結論:

• SSL-MFPフレームワークは、TCMのためのデータ効率の良いアプローチを提供する。
• この手法は、ラベリングコストと適応性に関連する重要な産業課題に対処する。
• TCMのための機械学習の産業現場への実用的な展開を可能にする。