Überwachung der Maschinen Gesundheit mit LSTM-Netzwerken

Effektive Systeme zur Überwachung der Maschinen Gesundheit sind entscheidend für moderne Fertigungssysteme und Industrien. Unter den verschiedenen Ansätzen zur Überwachung der Maschinen Gesundheit gewinnen datengestützte Methoden aufgrund der Entwicklung fortschrittlicher Sensor- und Datenanalysetechniken an Beliebtheit. Sensordaten, eine Art von sequenziellen Daten, können jedoch aufgrund von Rauschen, variierender Länge und unregelmäßiger Abtastung nicht als direkt sinnvolle Darstellungen für Maschinenbedingungen dienen. Ein Großteil der vorherigen Modelle konzentriert sich auf Methoden zur Merkmalsextraktion/-fusion, die teure menschliche Arbeit und qualitativ hochwertiges Expertenwissen erfordern. Mit der Entwicklung von Deep-Learning-Methoden in den letzten Jahren wurde das Lernen von Repräsentationen aus Rohdaten neu definiert. Unter den Deep-Learning-Modellen können Long Short-Term Memory-Netzwerke (LSTMs) langfristige Abhängigkeiten erfassen und sequenzielle Daten modellieren. Daher können LSTMs mit den Sensordaten der Maschinenbedingungen arbeiten. Hier wird die erste Studie über eine empirische Bewertung von LSTMs-basierten Systemen zur Überwachung der Maschinen Gesundheit vorgestellt. Ein Test zur Werkzeugabnutzung im realen Leben wird eingeführt. Basis- und Deep-LSTMs werden entwickelt, um die tatsächliche Werkzeugabnutzung basierend auf Rohsensordaten vorherzusagen. Die experimentellen Ergebnisse haben gezeigt, dass unsere Modelle, insbesondere Deep-LSTMs, in der Lage sind, mehrere hochmoderne Basislinienmethoden zu übertreffen.