De productiesector zal naar verwachting binnenkort sterk worden beïnvloed door op kunstmatige intelligentie gebaseerde technologieën met de buitengewone toename van rekenkracht en gegevensvolumes. Datagestuurde methoden maken gebruik van sensordata, zoals trillingen, druk, temperatuur, en energiegegevens om nuttige functies voor diagnose en voorspelling te extraheren. Een centrale uitdaging in de productiesector ligt in de eis van een algemeen kader om te zorgen voor tevreden diagnose- en monitoringprestaties in verschillende productietoepassingen.

In een nieuw onderzoeksartikel gepubliceerd in het in Peking gevestigde Nationale wetenschappelijke recensie , Prof. Ye Yuan van de School of Artificial Intelligence and Automation en Prof. Han Ding van het State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong Universiteit voor Wetenschap en Technologie, hebben gezamenlijk een end-to-end diagnostisch raamwerk voorgesteld dat in diverse productiesystemen kan worden gebruikt. Dit raamwerk maakt gebruik van de voorspellende kracht van convolutionele neurale netwerken om automatisch verborgen degradatiekenmerken te extraheren uit luidruchtige tijdsverloopgegevens. Het voorgestelde raamwerk is getest op tien representatieve datasets uit een breed scala aan productietoepassingen. Resultaten laten zien dat het raamwerk goed presteert in onderzochte benchmarktoepassingen en kan worden toegepast in diverse contexten, wat het potentiële gebruik ervan als een cruciale hoeksteen in slimme productie aangeeft.

Gezien het feit dat de potentiële tijdsafhankelijkheid die bestaat tussen de gereconstrueerde steekproeven, dit artikel gebruikt drie standaard kruisvalidatiemethoden (willekeurige subsets, aangrenzend blok, en onafhankelijke sequentie) om de prestaties van het raamwerk te evalueren. Dit artikel interpreteert ook hoe het CNN-model leert van temporele productiegegevens en de robuustheid van het voorgestelde raamwerk wordt ook besproken.