• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >A Deep Learning Model for Predictive Maintenance in Cyber-Physical Production Systems Using LSTM Autoencoders
【2h】

A Deep Learning Model for Predictive Maintenance in Cyber-Physical Production Systems Using LSTM Autoencoders

机译：使用LSTM AutoEncoders在网络 - 物理生产系统中预测维护的深层学习模型

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Condition monitoring of industrial equipment, combined with machine learning algorithms, may significantly improve maintenance activities on modern cyber-physical production systems. However, data of proper quality and of adequate quantity, modeling both good operational conditions as well as abnormal situations throughout the operational lifecycle, are required. Nevertheless, this is difficult to acquire in a non-destructive approach. In this context, this study investigates an approach to enable a transition from preventive maintenance activities, that are scheduled at predetermined time intervals, into predictive ones. In order to enable such approaches in a cyber-physical production system, a deep learning algorithm is used, allowing for maintenance activities to be planned according to the actual operational status of the machine and not in advance. An autoencoder-based methodology is employed for classifying real-world machine and sensor data, into a set of condition-related labels. Real-world data collected from manufacturing operations are used for training and testing a prototype implementation of Long Short-Term Memory autoencoders for estimating the remaining useful life of the monitored equipment. Finally, the proposed approach is evaluated in a use case related to a steel industry production process.
机译：工业设备的情况监测，与机器学习算法相结合，可能会显着提高现代网络物理生产系统的维护活动。然而，需要适当质量和足够的量，建模良好的运行条件以及整个操作生命周期的异常情况的数据。然而，这很难以非破坏性的方法获得。在这种情况下，本研究调查了一种方法来实现从预防时间间隔的预防性维护活动转变为预测性的方法。为了在网络物理生产系统中启用此类方法，使用深度学习算法，允许根据机器的实际操作状态计划的维护活动，而不是预先计划。基于AutoEncoder的方法用于将现实世界机器和传感器数据分类为一组与其相关的标签。从制造操作中收集的现实数据用于培训和测试长短期内存自动泊车的原型实施，以估计受监控设备的剩余使用寿命。最后，在与钢铁工业生产过程有关的用例中评估了所提出的方法。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号