在工具状态监控中探索输入数据的处理范式,以实现端到端的深度学习

科学领域:

• 制造业 工程 制造工程
• 数据科学数据科学数据科学
• 人工智能的人工智能

背景情况:

• 智能制造依赖于有效的工具状况监测 (TCM).
• 当前的TCM方法往往忽视了深度学习的端到端潜力,因为它们专注于复杂的信号处理而不是原始数据转换.
• 缺乏一种标准化的方法来准备用于TCM深度学习模型的多传感器原始数据.

研究的目的:

• 创新和评估新的输入范式,以将原始传感器数据转换为适合深度学习模型的格式.
• 为了应对最小化数据规模的挑战,同时保持工具磨损预测的时间解释性.
• 建立基于深度学习的TCM输入数据处理的参考标准.

主要方法:

• 介绍了三个新的输入范式:下方采样,周期性和后续性.
• 实现混合深度学习模型,结合卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM).
• 使用PHM2010数据集验证拟议的范式和模型.

主要成果:

• 与其他方法相比,后续范式在工具磨损预测方面表现优越.
• 通过120个次序和最大值作为时间指标实现了最佳结果.
• 混合CNN-BiLSTM模型与后续范式在三重交叉验证后实现了最低的平均绝对误差 (MAE) 和根平均平方误差 (RMSE).

结论:

• 开发的输入范式,特别是后续范式,提供了一种有效的方法来准备用于TCM深度学习的原始传感器数据.
• 这些方法增强了深度学习模型的端到端功能,用于工具状态监控.
• 这些发现为工业部署和先进的TCM系统的实际应用提供了宝贵的参考资料.