制药行业中用于预测性维护的轴承退化阶段预测
机器学习
2022-10-17 v1 计算机视觉与模式识别
机器学习
摘要
在制药行业，生产机器的维护必须由监管机构审计。在此背景下，预测性维护的问题不在于何时维护机器，而在于在给定时间点维护哪些部件。焦点从整台机器转移到其组成部件，预测变为一个分类问题。本文关注滚动轴承，并提出一个自动预测其退化阶段的框架。我们的主要贡献是一种基于高频轴承振动信号的 k-means 轴承寿命分割方法，该信号使用 AutoEncoder 嵌入到潜在低维子空间中。给定高频振动数据，我们的框架生成一个带标签的数据集，用于训练有监督模型以检测轴承退化阶段。基于 FEMTO Bearing 数据集的实验结果表明，我们的框架具有可扩展性，并且能为一系列不同轴承提供可靠且可操作的预测。
关键词
引用
@article{arxiv.2203.03259,
title = {Predicting Bearings' Degradation Stages for Predictive Maintenance in the Pharmaceutical Industry},
author = {Dovile Juodelyte and Veronika Cheplygina and Therese Graversen and Philippe Bonnet},
journal= {arXiv preprint arXiv:2203.03259},
year = {2022}
}
备注
Submitted to the KDD Applied Data Science track