受神经科学启发的制造系统预测性维护算法
神经与进化计算
2021-03-05 v1 机器学习
摘要
如果能够预先检测机器故障，那么维护和修理就可以更高效地执行，从而降低生产成本。已有许多利用振动数据进行早期故障检测的机器学习技术被提出；然而，这些方法往往功耗和数据需求高、易受噪声影响，并且需要大量数据预处理。此外，训练通常仅在推理前进行一次，因此它们不会随着机器老化而学习和适应。为此，我们提出一种使用分层时序记忆（Hierarchical Temporal Memory, HTM）进行在线、实时异常检测以实现预测性维护的方法。受人类新皮层启发，HTM 能够持续学习和适应，并且对噪声具有鲁棒性。利用 Numenta 异常基准（Numenta Anomaly Benchmark），我们通过实验证明，我们的方法在预先检测真实世界的轴承故障和模拟的 3D 打印机故障方面优于最先进的算法。我们的方法取得了 64.71 的平均分数，超越了最先进的深度学习方法（49.38）和统计方法（61.06）。
引用
@article{arxiv.2102.11450,
title = {Neuroscience-Inspired Algorithms for the Predictive Maintenance of Manufacturing Systems},
author = {Arnav V. Malawade and Nathan D. Costa and Deepan Muthirayan and Pramod P. Khargonekar and Mohammad A. Al Faruque},
journal= {arXiv preprint arXiv:2102.11450},
year = {2021}
}