Si prevede che il settore manifatturiero sarà presto fortemente influenzato dalle tecnologie basate sull'intelligenza artificiale con gli straordinari aumenti della potenza di calcolo e dei volumi di dati. I metodi basati sui dati utilizzano i dati dei sensori, come vibrazioni, pressione, temperatura, e dati energetici per estrarre funzioni utili per la diagnosi e la previsione. Una sfida centrale nel settore manifatturiero risiede nell'esigenza di un quadro generale per garantire diagnosi soddisfacenti e prestazioni di monitoraggio in diverse applicazioni di produzione.

In un nuovo articolo di ricerca pubblicato nella rivista con sede a Pechino Rassegna scientifica nazionale , Prof. Ye Yuan della School of Artificial Intelligence and Automation e Prof. Han Ding del State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong Università della Scienza e della Tecnologia, proposto congiuntamente un quadro diagnostico end-to-end che può essere utilizzato in diversi sistemi di produzione. Questo framework sfrutta il potere predittivo delle reti neurali convoluzionali per estrarre automaticamente le caratteristiche di degrado nascoste dai dati rumorosi del corso del tempo. Il quadro proposto è stato testato su dieci set di dati rappresentativi tratti da un'ampia varietà di applicazioni di produzione. I risultati rivelano che il framework si comporta bene nelle applicazioni di benchmark esaminate e può essere applicato in diversi contesti, indicando il suo potenziale utilizzo come pietra angolare fondamentale nella produzione intelligente.

Considerando che la potenziale dipendenza temporale esistente tra i campioni ricostruiti, questo documento utilizza tre metodi standard di convalida incrociata (sottoinsiemi casuali, blocco contiguo, e sequenza indipendente) per valutare le prestazioni del framework. Questo documento interpreta anche il modo in cui il modello CNN apprende dai dati di produzione temporali e viene discussa anche la robustezza del quadro proposto.