基于 Transformer 框架的工业机器设备健康预测
信号处理
2024-11-25 v1 机器学习
摘要
本文介绍了 Transformer 分位回归神经网络（TQRNN），一种新型数据驱动解决方案，用于制造业情境下的实时机器故障预测。我们的目标是开发一种先进的预测性维护模型，能够准确识别机器系统的故障。为此，TQRNN 采用两步方法：（i）修改后的分位回归神经网络用于分段异常离群值，同时保持低时间复杂度，（ii）拼接的 Transformer 网络旨在促进在最长 1 小时时间范围内的准确分类。我们在真实的饮料制造业场景中实现了所提管道。我们的发现表明，该模型有效，以 1 小时的预测预警时间实现 70.84% 的准确率。此外，我们的分析显示，使用 TQRNN 可提高高质量产量，将产率从 78.38% 提升至 89.62%。我们认为，预测性维护在现代制造业中才作为关键作用，最小化非计划停机，减少维修成本，优化生产效率，确保运营稳定。其潜力在降低成本、提升可持续性和竞争力方面具有重大意义，凸显了当代制造实践的重要性。
关键词
引用
@article{arxiv.2411.14443,
title = {Industrial Machines Health Prognosis using a Transformer-based Framework},
author = {David J Poland and Lemuel Puglisi and Daniele Ravi},
journal= {arXiv preprint arXiv:2411.14443},
year = {2024}
}
备注
10 pages, 5 figures. Accepted for presentation at the IEEE MetroAXRAINE conference