Прогнозирование остаточного ресурса промышленного оборудования с помощью ИИ

Искусственный интеллект используется во многих областях.

Используется на фабрике. ИИ используется для прогностического обслуживания (PdM) промышленных объектов (таких как робоам).Может быть. Предвидение сохранения означает, что идеалы промышленного оборудования, используемого на полупроводниковых заводах, прогнозируются заранее и, таким образом, ремонтируется промышленное оборудование.

Если они этого не сделают, им придется это сделать, что является огромной потерей для завода. Поэтому безопасность промышленного оборудования достаточно важна.

Раньше я был законопослушным консерватором. Все больше данных было огромным, и существовал предел быстрому и точному обнаружению идеалов промышленных установок в режиме реального времени. В наши дни мы используем искусственный интеллект для разработки технологий.Я знаю.

Для выполнения прогнозного сохранения промышленных объектов могут быть использованы методы анализа данных временных рядов для прогнозирования оставшегося срока полезного использования (ОРП) промышленных объектов. Эта статья Краткое описание работы по технологии, которая использует искусственный интеллект для прогнозирования оставшегося срока службы промышленного оборудования, и каковы могут быть основные особенности патентных заявок. Посмотрим.

Эта статья основана на том, что автор написал и может немного отличаться от того, что автор написал.

Во-первых, давайте кратко рассмотрим, какие подходы доступны для прогнозирования оставшегося срока службы промышленного оборудования.

Во многом при прогнозировании оставшегося срока службы промышленного оборудования Три подходаВот. Первый. Модельно-ориентированный подходТак и есть. Это существующее Прогнозирование деградации данных с использованием модели прогнозирования RUL (модель, основанная на правилах)Поймите, что это так. Например, можно предсказать деградацию данных с помощью фильтра частиц или с помощью модели Эйринга.

Второй Подход, основанный на данныхТак и есть. Прогнозирование ухудшения данных на основе исторических данных. Прогнозирование RUL на основе ИИКазалось, что они покрыты.

Третье. гибридный подход.Так и есть. Я объяснила спереди. Используйте оба подходаЯ знаю.

Сегодняшний документ относится к прогнозированию RUL с помощью подхода, основанного на данных.

Эта статья посвящена прогнозированию оставшегося срока службы двигателя с использованием данных, связанных с авиационным двигателем.

Используя DeepCNN для прогнозирования конечного результата, связанного с RUL, структура DeepCNN выглядит следующим образом:

Это данные, отобранные в характеристической карте слева. (Значения, полученные от различных датчиков в направлении оси x и значения, полученные в разное время в направлении оси y)

После того, как выборка данных завершена, введите ее последовательно в четыре слоя свертки с фильтрами того же размера. И последний слой свертки имеет фильтр другого размера, чем тот, который используется в четырех слоях свертки. Введите последний выход четырех слоев свертки в последний слой свертки.

В этом случае высокоуровневое представление необработанного признака выводится из последнего слоя свертки. Последний слой свертки затем подключается к полностью подключенному слою, и, наконец, значение для предсказания RUL выводится.

Если у вас есть структура DeepCNN, такая как эта статья, результаты эксперимента показывают, что она имеет лучшую производительность прогнозирования RUL, чем DNN, RNN, LSTM.Это происходит.

Теперь я объясню вам, основываясь на предыдущей статье, что будет главной особенностью и что будет патентной заявкой.

Я считаю, что использование структуры DeepCNN для прогнозирования RUL является основной особенностью этой статьи.

Если у вас есть структура DeepCNN, есть экспериментальные результаты, которые показывают лучшую производительность, чем другие модели.

Включение экспериментальных результатов в описание изобретения облегчает подготовку ответа на возможный отказ по основанию отсутствия изобретательского уровня.

С другой стороны, структура деталей DeepCNN может быть контентом, который лежит в основе ключевых функций. В частности, детальная структура модели, в которой множество первых слоев свертки с первым фильтром того же размера соединены со вторым слоем свертки со вторым фильтром другого размера с первым фильтром, а второй слой свертки соединен с полностью подключенным слоем, может поддерживать основные особенности этой бумаги.

Случайной особенностью является выборка входных данных с использованием окна времени и связанная с нормализацией данных.

Если составлять описание изобретения на основе рассмотренной статьи,

Для того, чтобы установить самые широкие пункты формулы изобретения,

я бы включил перечисленные ограничения в зависимые пункты формулы изобретения.