Современная промышленность требует эффективного и надежного оборудования. Чтобы обеспечить стабильность промышленного оборудования и избежать ненужных простоев, важно точно измерить оставшийся срок службы машины (RUL). Это было сделано с использованием подходов, основанных на глубоком обучении. В частности, перспективными в этом отношении считаются глубокие нейронные сети.
К ним относятся рекуррентные нейронные сети (RNN), сверточные нейронные сети (CNN) или гибридные сети. Среди них подходы на основе RNN эффективно собирают последовательную информацию, что позволяет им работать лучше, чем методы на основе CNN. Однако, в отличие от CNN, их обучение занимает больше времени, и они пропускают важные функции промышленных систем. Даже гибриды RNN-CNN, изученные в предыдущих исследованиях, имеют тенденцию быть неоптимальными.
Недавно группа исследователей во главе с доктором Чжэнхуа Ченом из Агентства по науке, технологиям и исследованиям Сингапура поставила под сомнение традиционный выбор RNN вместо CNN и предложила ряд новых CNN, которые показали результаты, сопоставимые с методами RNN. для предсказания RUL.
«Существующие подходы, основанные на CNN, не разработаны в соответствии с классическим принципом CNN, а именно меньшим размером ядра (фильтра извлечения признаков) и большим количеством каналов, что снижает их производительность. Более того, они пренебрегают ролью рецептивного поля и размер области на входе, который создает функцию», — объяснил д-р Чен, говоря о мотивах исследования, которое было опубликовано в IEEE/CAA Journal of Automatica Sinica.
Во-первых, исследование установило, что желательны одномерные ядра свертки небольшого размера и глубокие сети с большим рецептивным полем, поскольку они эффективны при изучении признаков из входных сигналов временных рядов и лучше моделируют последовательную информацию. Основываясь на этом, команда предложила новую архитектуру CNN, использующую трехуровневую комбинацию: слой свертки, за которым следует пакетная нормализация и выпрямленные линейные единичные слои для формирования сверточной единицы. Эти блоки были сложены вместе, чтобы сформировать сеть, так что их высота и ширина уменьшались, а количество каналов увеличивалось с глубиной сети. Затем полностью связанные слои использовались для прогнозирования значений RUL.
Затем команда разработала схему кодирования местоположения для разработки PE-Net, в которой два преобразования переводили закодированную информацию о местоположении и входные сигналы в одно и то же пространство для слияния. Кроме того, CNN были оптимизированы с использованием потери среднеквадратичной ошибки (MSE) в качестве показателя производительности. Наконец, команда проверила PE-Net, проведя эксперименты с набором данных C-MAPSS, известным эталоном для прогнозирования RUL.
PE-Net показала лучшие результаты, чем существующие CNN, на большинстве наборов данных и значительно превзошла искусственные нейронные сети с «долгой кратковременной памятью » для сложных случаев. Более того, лежащие в основе преобразования, за которыми следует слияние «поэлементного сложения», улучшили точность прогнозирования RUL до такой степени, что оно превзошло стандартные подходы RNN.
«PE-Net использует большие данные и технологию глубокого обучения для автоматического и точного определения компонентов, подлежащих ремонту, путем сбора данных с датчиков, установленных в промышленных системах. В будущем, с развитием искусственного интеллекта, эта технология может помочь значительно снизить трудозатраты. для обслуживания промышленных машин, избегая фатальных ошибок», — заключает д-р Чен, говоря о потенциальном применении их работы.
