在工业4.0中,现代制造和自动化工作场所的剩余寿命(RUL)预测至关重要。显然,这是连续的工具磨损,或更糟糕的是,突然的机器故障会导致各种制造故障,这显然会导致经济损失。借助深度学习方法的可用性,将其用于RUL预测的巨大潜力和前景导致了几种模型,这些模型是由制造机的操作数据驱动的。目前,基于完全监督模型的这些努力严重依赖于其规定标记的数据。但是,只有在机器崩溃发生后才能获得所需的RUL预测数据(即来自错误和/或降解机器的注释和标记的数据)。现代制造和自动化工作场所中破碎的机器在现实情况下的稀缺性增加了获得足够注释和标记数据的困难。相比之下,从健康机器中收集的数据要容易得多。因此,我们指出了这一挑战以及提高有效性和适用性的潜力,因此我们提出(并充分开发)一种基于掩盖自动编码器的概念的方法,该方法将利用未标记的数据进行自学。因此,在这里的工作中,开发和利用了一种值得注意的掩盖自我监督的学习方法。这旨在通过利用未标记的数据来建立一个深度学习模型,以实现RUL预测。在C-MAPSS数据集中实施了验证该开发有效性的实验(这些实验是从NASA Turbofan发动机的数据中收集的)。结果清楚地表明,与使用全面监督模型相比,我们在这里的发展和方法在准确性和有效性上都表现得更好。
translated by 谷歌翻译