基于Transformer和统计特征嵌入的制造传感器数据预测模型
提出一种名为Embed-RUL的新方法,用于基于传感器数据估计系统或机器的剩余寿命(RUL),使用递归神经网络生成多变量时间序列子序列的嵌入,以过滤噪声并捕获时间序列的总体模式,从而保持了机器运行行为类似的嵌入靠近,即使它们的传感器读数具有显着和不同的噪声内容,通过在公共和实际数据集上运行该方法,显示它优于以前报告的现有技术。
Sep, 2017
本研究分析了制造测试台的四个传感器数据集,评估了若干传统和基于机器学习的时间序列预测模型的性能,并通过从高数据速率传感器中执行转移学习来对缺乏数据的传感器进行缺陷类型分类,因此为实现预测维护铺平了道路。
Jun, 2022
提出了一种基于编码器-Transformer结构的多元时间序列预测框架,用于预测系统剩余可用寿命,与其他13种当前最先进模型相比,其性能提升了平均137.65%。
Aug, 2023
本研究旨在评估制造业和工业环境中时序分类任务的SoTA ML和DL算法的性能。实验表明,ResNet、DrCIF、InceptionTime和ARSENAL是性能最好的算法,其在22个制造业时序分类数据集上的平均准确率超过96.6%。这些发现突显了卷积内核在捕捉时间序列数据中的时序特征方面的鲁棒性、效率、可扩展性和有效性。此外,LSTM、BiLSTM和TS-LSTM算法在利用循环神经网络结构捕捉时间序列数据中的特征方面也值得肯定。
Oct, 2023
在此工作中,我们提出了一种基于Transformer的框架(FaultFormer),用于分析振动信号以预测不同类型的轴承故障。通过使用数据增强和提取傅里叶模态的方法,我们训练了一个Transformer编码器,以实现最先进的准确度,并分析了注意机制和模型输出,以确认Transformer自动提取信号特征和学习全局和局部关系以进行分类的能力。最后,我们提出了两种预训练策略,为大型可推广Transformer的开发铺平了道路,使其能够适应生产现场的新数据、情况或机械设备。
Dec, 2023
该文介绍了一种新颖的成本敏感变压器模型,该模型通过融合混合型采样器和基于回归的填充器,以及经过严格测试的方法,从而在工业环境中预测故障方面表现出比现有方法更好的性能,并分析了所提出方法中不同组成部分的贡献。研究结果凸显了该方法在解决工业设置中故障预测的独特挑战方面的潜力,从而提高了工业操作的可靠性和效率。
Jan, 2024
通过结合半监督学习和多任务学习的方法,利用深度潜在变量模型实现了多单元软传感问题的优秀结果,即使没有标记数据,未标记数据也能提高软传感性能。
Jul, 2024
本研究针对智能制造工厂中缺乏公开可用基准仿真模型的问题,提出了一种建基于英特尔半导体制造工厂的时间序列数据集。该数据集通过离散事件仿真模型构建,能够高效生成机器学习模型,促进半导体设备的行为分析和建模创新。
Aug, 2024