DQ-DeepLearn : Approche d'apprentissage profond axée sur la qualité des données pour une maintenance prédictive améliorée dans la fabrication intelligente

Dans le domaine de la fabrication intelligente, la maintenance prédictive joue un rôle essentiel pour garantir la fiabilité des équipements, minimiser les temps d'arrêt, optimiser les coûts et réduire le taux de défaillance des produits en détectant les produits défectueux à un stade précoce. Cependant, l'efficacité de la maintenance prédictive dépend de la qualité des données d'entraînement utilisées pour la modélisation prédictive. Une qualité de données insuffisante peut entraîner des prédictions erronées et, par conséquent, des stratégies de maintenance inefficaces. Cet article de recherche propose une solution qui exploite l'apprentissage profond et la gestion de la qualité des données pour améliorer la maintenance prédictive dans la fabrication intelligente. Notre méthodologie proposée comprend deux composants majeurs tels que la gestion de la qualité des données et la détection de produits défectueux. La gestion de la qualité des données inclut le prétraitement des données, la réduction des caractéristiques et l'équilibrage des données, tandis que la détection des produits défectueux est réalisée à l'aide de techniques d'apprentissage profond. En combinant ces éléments, un modèle prédictif capable de prévoir avec précision les produits défectueux à des stades précoces afin de réduire les pertes économiques est développé. L'approche proposée aborde efficacement les problèmes de qualité des données et est testée sur le jeu de données SECOM, ce qui indique qu'elle dépasse les modèles traditionnels avec une précision de 96,4 % et un rappel parfait. En fin de compte, cette recherche contribue à l'avancement de la maintenance prédictive et de l'apprentissage profond dans le contexte de la fabrication intelligente, au bénéfice des praticiens industriels et des chercheurs.