融合领域专业知识与深度卷积神经网络用于基于状态的在线机器-零件交互分类
机器学习
2021-12-10 v1 系统与控制
信号处理
系统与控制
摘要
机器-零件交互分类是信息物理系统（CPS）所需的一项关键能力，而CPS是智能制造（SM）的关键使能因素。虽然先前关于该主题的相关研究主要集中在时间序列分类上，但变化点检测同样重要，因为它提供了关于机器行为变化的时间信息。在这项工作中，我们使用基于深度卷积神经网络（CNN）的框架来解决机器-零件交互的点检测和时间序列分类问题。该框架中的CNN采用两级编码器-分类器结构，以实现高效的特征表示和便于为CPS进行部署定制。尽管是数据驱动的，但该框架的设计和优化由领域专业知识（SME）指导。一个由SME定义的有限状态机（FSM）被整合到框架中，以抑制间歇性误分类。在案例研究中，我们实现了该框架以在铣床上执行机器-零件交互分类，并使用测试数据集和部署模拟评估了其性能。该实现在测试数据集上跨类别的平均F1分数达到0.946，在部署模拟中的平均延迟为0.24秒。
引用
@article{arxiv.2112.04572,
title = {Merging Subject Matter Expertise and Deep Convolutional Neural Network for State-Based Online Machine-Part Interaction Classification},
author = {Hao Wang and Yassine Qamsane and James Moyne and Kira Barton},
journal= {arXiv preprint arXiv:2112.04572},
year = {2021}
}
备注
Published at ASME Manufacturing Science and Engineering Conference (MSEC)