自动诊断制造系统的端到端通用框架

可以预见的是，随着计算能力和数据量的极大增加，制造业将很快受到基于人工智能的技术的巨大影响。数据驱动的方法使用传感器数据(例如振动，压力，温度和能量数据)提取有用的特征进行诊断和预测。制造业的主要挑战在于需要一个通用框架，以确保在不同的制造业应用中令人满意的诊断和监控性能。

在北京《国家科学评论》上发表的新研究文章中华中科技大学人工智能与自动化学院的叶媛教授和数字制造设备与技术国家重点实验室的韩鼎教授共同提出了一个端到端的诊断框架用于各种制造系统。该框架利用了卷积神经网络的预测能力，可以从嘈杂的时程数据中自动提取隐藏的退化特征。所提议的框架已经在来自各种制造应用的十个代表性数据集上进行了测试。结果表明，该框架在经过测试的基准应用程序中表现良好，并且可以在各种情况下应用，这表明该框架有可能用作智能制造中的关键基石。

考虑到重构样本之间存在潜在的时间依赖性，本文使用三种标准的交叉验证方法(随机子集，连续块和独立序列)来评估框架的性能。本文还解释了CNN模型如何从临时制造数据中学习，并讨论了所提出框架的鲁棒性。