AIによる産業設備の残存耐用年数の予測

人工知能は、多くの分野で使われています。

工場で使用される。 産業用設備の予知保全(PdM)(ローボアムなど)にAIを使用可能です。 Foreseeの保存とは、半導体工場で使用される産業機器の理想的な予測を先立って予測し、そこで産業機器を修理することを意味します。

もしそうしなかったら、工場に大きな損失を抱えるようにしなければならないでしょう。 そのため、産業機器の安全性は非常に重要です。

ルールベースの保護具であるために使用しました。 増加して、データ量が膨大で、リアルタイムに産業設備の理想を迅速かつ正確に検出する限界がありました。 そこで、この日は人工知能を使って技術開発をしています。なるほど。

産業施設の保全を予測するためには、時間シリーズデータを分析するための技術を使用して、産業施設の残りの耐用年数(RUL)を予測することができます。 この投稿について 産業機器の残りの寿命を予測するために人工知能を使用する技術の論文の簡単な説明、および特許出願の主な特徴であることができるもの。 見ましょう。

※本記事は、著者が書かれているものに基づいており、著者が書いたものとは若干異なる場合があります。

まず、産業機器の残りの寿命を予測するために、どのようなアプローチが利用可能なのかを見てみましょう。

産業機器の残留寿命を予測するときに大幅 3つのアプローチ詳細はこちら。 最初の1つ。 モデルベースのアプローチです。 これは既存のものです。 RUL予測モデルを用いたデータの劣化予測(ルールベースモデル)ということを理解します。 たとえば、粒子フィルタを使用してデータ劣化を予測したり、Eyringモデルを使用して予測することができます。

第二次世界 データ主導のアプローチです。 履歴データに基づくデータの劣化予測 人工知能に基づくRUL予測カバーされていることを参照してください。

第3回. ハイブリッドアプローチ。です。 フロントで説明しました。 両方のアプローチを使用するなるほど。

今日の紙は、データ主導のアプローチでRULを予測する関連性を評価しています。

この論文は、航空エンジンに関連するデータを用いてエンジンの残りの寿命を予測することについてです。

DeepCNN を使用して、RUL に関連する最終出力を予測するには、DeepCNN の構造は次のとおりです。

左にある特徴的なマップフォームにサンプルしたデータです。 (x軸方向の異なるセンサーから得られる値とy軸方向の異なる時間で得られる値)

データのサンプリングが完了したら、同じサイズのフィルタで4つのコンボリューションレイヤーに順次入力します。 そして最後のconvolutionの層に4つのconvolutionの層で使用されるものより別のサイズのフィルターがあります。 最後のコンボリューションレイヤーの4つのコンボリューションレイヤーの最後の出力を入力します。

この場合、生機能の高レベルな表現は、最後の結節層から出力されます。 最後のコンボリューションレイヤーは、完全に接続されたレイヤーに接続され、最終的にはRUL予測値が出力されます。

この論文のようなDeepCNN構造を持っている場合、DNN、RNN、LSTMよりも優れたRUL予測性能を持つ実験ショーの結果。それは起こっています。

以前の記事、主な機能と特許出願のものに基づいて、あなたに説明します。

DeepCNN構造を使ってRULを予測するのは、この論文の大きな特徴であると考えています。

DeepCNN構造をお持ちの場合、他のモデルよりも優れた性能を示す実験結果があります。

特許明細書を作成する際、実験の結果は特許明細書で記述され、将来の進歩性違反の拒否のために地面に容易に対応できます。

一方、DeepCNNのディテール構造は、キー機能がアンダーピンするコンテンツになります。 具体的には、モデルの詳細な構造で、同じサイズの1番目のフィルタを持つ最初の回回圧層の多重性が1番目のフィルターと異なるサイズの2番目のフィルタを持つ2番目の回圧入層に接続され、2番目の回圧入層が完全に接続された層に接続され、この論文の主な機能をサポートすることができます。

インシデント機能は、タイムウィンドウを使用して入力データのサンプリングとデータ正規化に関連するものです。

読むものに基づいて特許明細書書を書いているなら、

最も広範囲の特許主張を確立するために、

特許請求書を書くつもりです。