面向先进制造过程监控的在线传感器数据无监督多模态融合
机器学习
2024-10-31 v1 信号处理
摘要
有效监控制造过程对于维持产品质量和运营效率至关重要。现代制造环境产生海量多模态数据，包括来自不同视角和分辨率的视觉图像、高光谱数据，以及机器健康监测信息，如执行器位置、加速度计读数和温度测量值。然而，解释这些复杂的高维数据面临重大挑战，尤其是在缺乏标注数据集的情况下。本文受对比语言-图像预训练（CLIP）模型启发，提出一种新颖的制造过程多模态传感器数据融合方法。我们利用对比学习技术，在无需标注数据的情况下关联不同数据模态，为五种不同模态开发了编码器：视觉图像、音频信号、激光位置（x 和 y 坐标）以及激光功率测量值。通过将这些高维数据集压缩到低维表示空间，我们的方法有助于过程控制、异常检测和质量保证等下游任务。我们通过实验评估了该方法的有效性，展示了其在先进制造系统中增强过程监控能力的潜力。这项研究为智能制造提供了一个灵活、可扩展的多模态数据融合框架，能够适应多样化的制造环境和传感器配置。
引用
@article{arxiv.2410.22558,
title = {Unsupervised Multimodal Fusion of In-process Sensor Data for Advanced Manufacturing Process Monitoring},
author = {Matthew McKinney and Anthony Garland and Dale Cillessen and Jesse Adamczyk and Dan Bolintineanu and Michael Heiden and Elliott Fowler and Brad L. Boyce},
journal= {arXiv preprint arXiv:2410.22558},
year = {2024}
}