Se prevé que el sector manufacturero pronto se verá fuertemente influenciado por las tecnologías basadas en inteligencia artificial con los extraordinarios aumentos en el poder computacional y los volúmenes de datos. Los métodos basados ​​en datos utilizan datos de sensores, como la vibración, presión, temperatura, y datos de energía para extraer funciones útiles para el diagnóstico y la predicción. Un desafío central en el sector de la fabricación radica en el requisito de un marco general para garantizar un diagnóstico satisfactorio y un rendimiento de seguimiento en las diferentes aplicaciones de fabricación.

En un nuevo artículo de investigación publicado en Beijing, Revista Nacional de Ciencias , El Prof. Ye Yuan de la Escuela de Inteligencia Artificial y Automatización y el Prof. Han Ding del Laboratorio Estatal Clave de Equipos y Tecnología de Fabricación Digital, Universidad de Ciencia y Tecnología de Huazhong, propuso conjuntamente un marco de diagnóstico de extremo a extremo que se puede utilizar en diversos sistemas de fabricación. Este marco aprovecha el poder predictivo de las redes neuronales convolucionales para extraer automáticamente las características de degradación ocultas de los datos ruidosos del curso del tiempo. El marco propuesto se ha probado en diez conjuntos de datos representativos extraídos de una amplia variedad de aplicaciones de fabricación. Los resultados revelan que el marco funciona bien en aplicaciones de referencia examinadas y se puede aplicar en diversos contextos, indicando su uso potencial como piedra angular fundamental en la fabricación inteligente.

Considerando que la posible dependencia del tiempo existente entre las muestras reconstruidas, este documento utiliza tres métodos estándar de validación cruzada (subconjuntos aleatorios, bloque contiguo, y secuencia independiente) para evaluar el desempeño del marco. Este documento también interpreta cómo el modelo de CNN aprende de los datos de fabricación temporales y también se analiza la solidez del marco propuesto.