使用视觉变压器进行研磨切割工具的先进故障诊断,具有半监督学习和不确定性量化

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 机床切削工具 (MCT) 在故障诊断方面面临挑战,原因是智能制造中的标记数据有限.
• 现有的方法在数据限制下,在概括和准确性方面扎.

研究的目的:

• 开发使用视觉变压器 (ViT) 的MCT半监督故障诊断框架.
• 为了提高诊断准确性和概括性,特别是在稀缺的标记数据.
• 为工业4.0.0中的预测性维护提供可扩展和数据效率高的解决方案.

主要方法:

• 作为输入,使用来自声波发射 (AE) 信号的连续波段转换 (CWT) 的时间频谱.
• 采用视觉转换器 (ViT) 架构来提取本地和全球特征.
• 整合伪标签生成,不确定性量化和动态教师-学生知识蒸.
• 实施适应型模型改进循环,以实现持续改进.

主要成果:

• 在现实世界机AE数据上实现了99.68%的诊断准确度.
• 在识别不同数据集中的微妙故障变异方面表现出高可靠性.
• 拟议的框架有效地处理有限的标记数据场景.

结论:

• 半监督的ViT框架为MCT故障诊断提供了强大而准确的解决方案.
• 该方法具有数据效率,可扩展性和可解释性,适合工业4.0应用.
• 这种方法显著提高了预测性维护能力.