流式环境下的自主深度质量监控
机器学习
2021-06-29 v1 人工智能
摘要
工业中质量监控的常规做法依赖人工检测，其众所周知地缓慢、易出错且依赖操作员。该问题强烈催生了对基于数据驱动方法开发的自动化实时质量监控的需求，从而摆脱对操作员的依赖并适应各种过程不确定性。然而，当前方法未考虑传感信息的流式特性，且严重依赖手工特征，使其仅适用于特定应用。本文提出基于近期开发的流式数据深度学习算法——具有动态演化容量的神经网络（NADINE）所发展的在线质量监控方法，即 NADINE++。其特点在于集成一维与二维卷积层，以提取来自我们自身项目注塑机传感器与相机捕获的时间序列与视觉数据流的自然特征。已开展实时实验，其中在线质量监控任务以前序测试再训练（prequential test-then-train）方式——著名的数据流评估协议——动态模拟。与最先进技术的比较清晰地展示了 NADINE++ 的优势，在流式环境质量监控任务上平均提升 4.68%。为支持可复现研究倡议，NADINE++ 的代码、结果以及补充材料与注塑数据集已在 \url{https://github.com/ContinualAL/NADINE-IJCNN2021} 公开。
引用
@article{arxiv.2106.13955,
title = {Autonomous Deep Quality Monitoring in Streaming Environments},
author = {Andri Ashfahani and Mahardhika Pratama and Edwin Lughofer and Edward Yapp Kien Yee},
journal= {arXiv preprint arXiv:2106.13955},
year = {2021}
}
备注
This paper has been accepted for publication in IJCNN, 2021