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

本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行ML模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在Fused Filament Fabrication的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

Apr, 2023

本研究探讨利用深度学习技术进行视觉品质检测问题，针对工业制造中数据重复性高的情况，提出通过学习数据中的特定缺陷类型来训练检测模型，从而使其更能检测出在新情况下出现的缺陷。同时，研究对泛化的影响，以训练在更广泛的条件下工作的模型。

May, 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

通过使用迁移学习模型，本研究探索了机器学习方法在3D打印圆柱体缺陷检测方面的有效性，发现特定的迁移学习模型（如MobileNetV2）可以高准确度地分类AM缺陷，同时结果揭示了算法性能的差异，为3D打印可靠自动化缺陷分析提供模型优化和集成需求的见解。

Oct, 2023

在制浆造纸行业的预测性维护中，一项重要挑战是在生产过程中出现纸张断裂的频率相对较低。本文通过分析一台纸张制造机的运营数据，解决了纸张断裂事件稀缺但对经济影响较大的问题。利用包含18,398个样本的质量保证协议数据集，我们采用条件生成对抗网络（CTGAN）和合成少数类过采样技术（SMOTE）实现了一种新颖的数据增强框架。这种方法确保了合成数据与真实操作数据的分布一致性，同时也致力于提高预测建模的性能指标。通过评估三种不同的机器学习算法-决策树（DT）、随机森林（RF）和逻辑回归（LR），我们在CTGAN增强的数据集上取得了显著的预测维护性能改进。在数据稀缺性方面，CTGAN的效果明显，对于决策树模型，机器断裂（类1）的检测率提高了30%以上，对于随机森林模型提高了20%，对于逻辑回归模型提高了近90%。通过这种方法的进步，本研究对于工业质量控制和维护调度在制造过程中的罕见事件预测具有贡献。

Nov, 2023

在预测健康管理领域，本文提供了关于利用PHM数据挑战竞赛的开源数据集进行工业系统诊断和预测的机器学习方法的综述，并总结了一个统一的机器学习框架，强调了传统机器学习和深度学习在解决复杂工业任务方面的作用和挑战。

Dec, 2023

通过评估不同的历史数据量和预测未来时间范围，以预测系统故障的性能表现，研究发现预测窗口的大小对性能起关键作用，并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性，以及机器学习在分类相似和重复模式的数据方面的有效性。

Feb, 2024

基于机器学习的预测性诊断和健康监测工具为制造商提供了新的机会，以风险优化的方式运营和维护设备，并在其生命周期内更可持续地利用。然而，在大多数工业环境中，数据往往数量有限，质量也可能不一致，这对开发和运行可靠的机器学习模型至关重要。为了弥补这一实践中的差距，成功工业化的预测性诊断和健康监测工具依赖于引入领域专业知识作为先验，以实现足够准确的预测，并提高其可解释性。因此，发展数据驱动的预测性诊断和健康监测工具的关键挑战之一在于将维护人员、开发人员和服务工程师的经验和过程知识转化为数据结构，该结构不仅必须捕捉到专业知识的多样性和变异性，还必须使这些知识能够让各种数据驱动算法访问。这导致数据模型严重依赖于特定应用程序和开发团队旨在检测或预测的故障模式，缺乏标准化方法限制了开发的可扩展性和可转移性，并阻碍了标准数据管理和MLOps工具的利用，增加了开发团队的负担。DeepFMEA从故障模式与影响分析（FMEA）中汲取灵感，以其结构化的方法分析任何技术系统和由此产生的标准化数据模型，同时考虑到捕捉过程和维护专业知识的关键方面，以对领域专家直观，并使得所得信息可以作为先验引入机器学习算法。

May, 2024

本研究针对玻璃瓶印刷过程中的质量控制问题，提出了基于机器学习的两种新方法，以检测微小缺陷。本研究的主要发现是通过优化预训练的卷积神经网络，并结合图像处理技术，大幅提高了缺陷检测的准确性，为生产过程的优化提供了有效的见解。

Sep, 2024