利用特征提取和基于风险的聚类来实现设备的先进故障诊断
Hyeonbin Ji1, Ingeun Hwang1, Junghwon Kim1
1Department of Industrial Engineering, Inha University, Incheon, South Korea.
PloS one
|January 8, 2025
概括
本研究引入了一种人工智能驱动的方法,用于诊断制造业中的设备故障风险,使用维护数据客观评估风险并改进质量保证系统.
科学领域:
- 制造业 工程 制造工程
- 人工智能的人工智能
- 数据科学数据科学数据科学
背景情况:
- 目前的故障风险诊断依赖于管理人员的手动评估,导致不一致的评估.
- 人工智能和大数据分析在失败风险诊断中的应用尚未得到充分探索.
- 对设备故障的客观诊断对于提高制造质量保证至关重要.
研究的目的:
- 开发一个客观的方法来诊断设备故障的概率和风险.
- 在挤出机的维护数据上实施先进的数据分析技术.
- 弥合人工智能进步和它们在失败风险评估中的应用之间的差距.
主要方法:
- 在维护数据上使用了文本嵌入 (Word2Vec) 和维度减少 (合同自动编码器).
- 应用K-means集群与SilhouetteScore进行风险级别分类.
- 用BERTopic进行主题建模,以分析与挤出机特性相关的集群.
主要成果:
- 结合Word2Vec和Contractive Auto Encoder的方法表现出了高性能.
- 确定了三个最佳集群数量,产生最高的轮得分.
- 统计分析 (单向ANOVA) 证实了发现的意义 (p < 0.05).
结论:
- 开发的方法为设施经理提供了一个客观的方法来诊断设备故障.
- 尽量减少主观判断,提高制造质量保证系统的有效性.
- 这种人工智能驱动的方法利用大数据分析来提高运营可靠性.
更多相关视频
06:45Design and Application of a Fault Detection Method Based on Adaptive Filters and Rotational Speed Estimation for an Electro-Hydrostatic Actuator
Published on: October 28, 2022
1.6K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
973
