近期,华中科技大学丁汉院士团队提出了一种制造系统通用的端对端高精度诊断框架,相关成果发表于《国家科学评论》(National Science Review,NSR)。
pixabay
高精度和高效率是制造业始终不渝的目标,而故障诊断是制造系统正常运行的重要保障。近年来,数据驱动的诊断方法已广泛存在。这些方法通过采集加工过程中的振动、电压、电流、温度、声音、力等传感信号,挖掘其特征,推导出故障特性。然而,提取有效特征的过程非常困难,效率低且常常仅适用于特定任务,无法广泛应用于各种制造场景。
为解决这一问题, 研究者将深度学习应用于制造系统,搭建了一个基于卷积神经网络的诊断框架。该框架操作简单,在训练过程中仅需输入原始传感器信号和对应的标签信息,免去手动特征提取步骤,在不同的应用场景中仅需微调个别参数;同时通用性强,可做分类,亦可做回归;并可实现高精度诊断和预测。
文中使用共10种大跨度制造数据集,均取得极高预测精度。其中包含7种分类数据集:2种轴承故障数据(100%准确率)、液压系统故障数据(100%准确率)、断刀数据(100%准确率)、机翼大梁故障数据(100%准确率)、刀具磨损工序数据(>95%准确率)和齿轮箱故障数据(>99%准确率);3种回归数据集:NASA刀具磨损数据(R2=0.87)、NASA锂电池退化数据(R2=0.96)以及马里兰大学锂电池退化数据(R2=0.99)。
10种制造数据集诊断效果汇总
文章还讨论了划分样本时由于时序依赖性造成的精度变化情况,利用特殊信号阐明了卷积神经网络的每一层功能,并证明该诊断框架对噪声具有较强的鲁棒性。
该研究展现了华中科技大学人工智能、自动化和机械双一流交叉学科的最新研究成果,为制造系统运行的高效性和可靠性提供了重要理论与技术支撑,对促进我国智能制造应用基础研究具有重要意义。
文章通讯作者为丁汉院士,第一作者为华中科技大学人工智能与自动化学院袁烨教授,其他论文作者还包括马贵君、程骋博士,周倍同、赵欢副教授和张海涛教授。
领取专属 10元无门槛券
私享最新 技术干货