La inteligencia artificial se utiliza en muchas áreas.
usado en la fábrica. IA se utiliza para el mantenimiento predictivo (PdM) de las instalaciones industriales (como roboam)Puede ser. La preservación de Foresee significa que los ideales del equipo industrial utilizado en las plantas semiconductoras se predicen de antemano y por lo tanto se reparan el equipo industrial.
Si no lo hacen, tendrán que hacerlo, lo cual es una enorme pérdida para la fábrica. Por lo tanto, la seguridad del equipo industrial es muy importante.
Solía ser un conservacionista basado en reglas. Cada vez más, la cantidad de datos era vasta, y había un límite para detectar rápidamente y con precisión los ideales de las instalaciones industriales en tiempo real. Así que estos días, estamos usando inteligencia artificial para desarrollar tecnología.Sí.
Para realizar la preservación predictiva de las instalaciones industriales, se pueden utilizar técnicas de análisis de datos de series temporales para predecir la vida útil restante (RUL) de las instalaciones industriales. This Post Una breve descripción de un documento sobre tecnología que utiliza inteligencia artificial para predecir la vida restante del equipo industrial, y cuáles pueden ser las características principales de las solicitudes de patente. Vamos a mirar.
*Este artículo se basa en lo que el autor ha escrito y puede diferir ligeramente de lo que el autor ha escrito.
Referencias
Xiang Li & Qian Ding " Jian-Qiao Sun, 2017, Permaneciendo la Estimación de Vida Útil en Pronósticos Usando Redes Neurales de Convolución Profunda,
Xiang Li & Qian Ding " Jian-Qiao Sun, 2017, Permaneciendo la Estimación de Vida Útil en Pronósticos Usando Redes Neurales de Convolución Profunda,
https://escholarship.org/content/qt5ns8r3fs/qt5ns8r3fs_noSplash_7d463f0d432194b63917f89e056f2644.pdf
Método para predecir la vida útil restante de equipos industriales
En primer lugar, echemos un vistazo rápido a los enfoques disponibles para predecir la vida restante del equipo industrial.
En gran medida, al predecir la vida restante del equipo industrial Tres enfoquesToma. El primero. El enfoque basado en modelosLo es. Esto es ya existente Predecir la degradación de los datos utilizando el modelo de predicción RUL (modelo basado en la estructura)Entiéndelo. Por ejemplo, es posible predecir la degradación de los datos utilizando un filtro de partículas o utilizando un modelo Eyring.
El segundo El Enfoque Data-Driven.Lo es. Predecir el deterioro de los datos sobre la base de datos de historia. Predecir RUL basado en inteligencia artificial.Parecía estar cubierto.
Tercero. El enfoque híbrido.Lo es. Le expliqué delante. Utilizar ambos enfoquesSí.
El documento de hoy se refiere a predecir RUL mediante un enfoque basado en datos.
Resumen del contenido del artículo
Este artículo trata de predecir la vida restante del motor utilizando datos relacionados con el motor de aviación.
Utilizando DeepCNN para predecir la producción final asociada con RUL, la estructura de DeepCNN es la siguiente:
Estos son los datos que se muestran en el formulario de mapa característico de la izquierda. (Los valores obtenidos de diferentes sensores en la dirección del eje x y los valores obtenidos en diferentes momentos en la dirección del eje y)
Una vez que el muestreo de datos esté completo, ingrese secuencialmente en cuatro capas convolutivas con filtros del mismo tamaño. Y la última capa de convolución tiene un filtro de diferente tamaño que el utilizado en las cuatro capas de convolución. Introduzca la última salida de las cuatro capas de convolución en la última capa de convolución.
En este caso, una representación de alto nivel de la característica cruda es la salida de la última capa de convolución. La última capa de convolución se conecta a una capa totalmente conectada y finalmente el valor de la predicción RUL es la salida.
Si usted tiene una estructura DeepCNN como este documento, los resultados del experimento muestran que tiene mejor rendimiento de predicción RUL que DNN, RNN, LSTM.Está pasando.
Identificación de las características clave para una solicitud de patente
Le explicaré ahora, sobre la base del artículo anterior, cuál sería la característica principal y cuál sería la solicitud de patente.
Creo que usar la estructura DeepCNN para predecir RUL es una característica importante de este documento.
Si usted tiene una estructura DeepCNN, hay resultados experimentales que muestran mejor rendimiento que otros modelos.
Al crear una memoria de patente, los resultados del experimento se describen en la memoria de patente, lo que facilita la respuesta a los motivos para la negativa de futuras violaciones del paso inventiva.
Por otro lado, la estructura de detalle de DeepCNN puede ser el contenido que sustenta características clave. Específicamente, la estructura detallada del modelo, en la que una pluralidad de primeras capas de convolución con un primer filtro del mismo tamaño se conectan a una segunda capa de convolución con un segundo filtro de diferente tamaño con el primer filtro, y la segunda capa de convolución está conectada a una capa totalmente conectada, puede soportar las principales características de este papel.
Una característica incidental es el muestreo de datos de entrada utilizando la ventana Tiempo y relacionados con la normalización de datos.
Si usted está escribiendo una memoria de patente basado en lo que está leyendo,
1. Introduzca datos que contengan por lo menos uno datos de detección en un profundoCNN que contenga múltiples capas de convolución y una capa totalmente conectada.
2. Predice la vida restante basada en la producción de deepCNN
para establecer las más amplias reivindicaciones de patente,
1. Estructura detallada de DeepCNN (características para filtros de múltiples capas de convolución, orden de conexiones de capas, etc.)
2. Cómo muestra el aporte de datos a DeepCNN
3. Cómo Normalizar Datos
Voy a escribir una reivindicación de patente.
Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso.