使用特征工程和时间卷积网络的有效载荷的牙科空气轮机手柄故障诊断

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的机器学习
• 牙科技术 牙科技术

背景情况:

• 牙科空气轮机手套 (DATH) 具有复杂的内部机制,需要对操作可靠性和患者安全进行先进的监控.
• 传统的DATH诊断方法可能无法充分捕捉暗示即将出现故障的微妙变化.

研究的目的:

• 开发和评估用于监测DATH的健康和诊断故障的预测模型.
• 利用时间卷积网络 (TCN) 进行时间序列分析,内存传输和快速融合的能力.

主要方法:

• 振动信号被捕获使用加速度计在模拟削操作与DATH.在模拟削操作.
• 数据被用来训练和比较预测模型,包括TCN,1D卷积神经网络 (CNN) 和长短期记忆 (LSTM).
• 建立了一个诊断健康分类 (DHC) 框架来评估模型性能.

主要成果:

• 与1D CNN相比,TCN模型的预测误差较低,受益于其内存框架,避免了消失梯度问题.
• TCN的表现优于LSTM,需要更少的历史数据才能有效诊断.
• 在使用振动信号预测DATH健康和故障模式方面取得了很高的准确性.

结论:

• 基于TCN的预测模型可以准确评估健康状况,并在临床使用前预测DATH的失败.
• 开发的模型作为一个有价值的工具来预测恶化模式和估计牙科手工件的剩余使用寿命.
• 嵌入式传感器与TCN模型的集成可以显著提高牙科设备的主动维护和安全性.