基于掩码自监督的机床剩余使用寿命预测
信号处理
2022-07-05 v1 人工智能
机器学习
摘要
在现代制造与自动化工作场所中，对机器与工具的剩余使用寿命(RUL)预测在工业4.0中至关重要。这一点显而易见，因为持续的刀具磨损或更糟的突发机器故障将导致各类制造失效，显然会造成经济损失。随着深度学习方法的可用，利用这些方法进行RUL预测的巨大潜力与前景已催生若干由制造机器运行数据驱动的模型。当前基于全监督模型的此类研究严重依赖带有RUL标签的数据。然而，所需的RUL预测数据（即来自故障和/或退化机器的标注数据）只能在机器发生故障后获得。现实世界现代制造与自动化工作场所中故障机器的稀缺性增加了获取充足标注数据的难度。相比之下，来自健康机器的数据更易收集。注意到这一挑战及提升效果与适用性的潜力，我们因此提出（并充分开发）了一种基于掩码自编码器思路的方法，利用无标签数据进行自监督。由此，本文开发并采用了一种值得关注的掩码自监督学习方法，旨在利用无标签数据构建用于RUL预测的深度学习模型。为验证该开发有效性的实验在C-MAPSS数据集（采集自NASA涡扇发动机数据）上实施。结果相当清楚地表明，与采用全监督模型的方法相比，我们的开发与方法在RUL预测的精度与有效性上表现更优。
引用
@article{arxiv.2207.01219,
title = {Masked Self-Supervision for Remaining Useful Lifetime Prediction in Machine Tools},
author = {Haoren Guo and Haiyue Zhu and Jiahui Wang and Vadakkepat Prahlad and Weng Khuen Ho and Tong Heng Lee},
journal= {arXiv preprint arXiv:2207.01219},
year = {2022}
}