在机器中心 (MCT) 和计算机数控 (CNC) 机器中使用一维卷积神经网络 (1D CNN) 进行基于深度学习的异常检测
Ali Athar1, Md Ariful Islam Mozumder1, Abdullah2
1Digital Anti-aging Healthcare, Inje University, GIMHAE, Gyeongsangnam-do, Republic of South Korea.
PeerJ. Computer science
|December 9, 2024
概括
一个新的1D卷积神经网络 (CNN) 模型有效地检测计算机数控 (CNC) 和机器中心 (MCT) 机器的故障. 这种深度学习方法为早期故障检测提供了卓越的准确性,提高了制造生产率和安全性.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 计算机数控 (CNC) 和机器中心 (MCT) 机器在现代制造业中至关重要.
- 预测性维护对于减少这些自动化系统中停机时间和成本至关重要.
- 现有的故障检测方法往往缺乏早期干预所需的精度.
研究的目的:
- 开发和评估一种新的深度学习模型,用于MCT机器的早期故障检测.
- 将拟议模型的性能与传统机器学习和其他深度学习技术进行比较.
- 证明该模型适用于制造环境中的自动故障检测.
主要方法:
- 从CNC/MCT机器收集的传感器数据.
- 应用数据预处理技术来准备数据集.
- 开发并实施1D卷积神经网络 (CNN) 模型用于故障分类.
主要成果:
- 在所有测试模型中,1D CNN模型获得了最高的准确性 (91.57%).
- 它的性能优于传统的分类器,如随机森林和支持向量机.
- 该模型在精度,回忆和F-1分数方面也超过了其他深度学习模型,包括LSTM.
结论:
- 1D CNN模型在MCT机器的早期故障检测和分类方面非常有效.
- 这种方法为寻求提高生产率和安全性的小型制造业公司提供了显著的优势.
- 该模型的性能支持主动维护策略,可能会彻底改变制造业.
