Обнаружение неисправностей в промышленных изделиях с использованием малых обучающих наборов данных
Аннотация
В настоящее время все более актуальной становится задача обеспечения безопасности и корректности функционирования различных интеллектуальных автоматизированных систем, построенных на основе технологии интернета вещей, которые включают в себя различные двигатели, редукторы, приводные механизмы. Такие системы широко применяются в промышленности, электроэнергетике, на транспорте и в других критически важных сферах современной промышленности. Непрерывная и достоверная диагностика функционирования подобных устройств обуславливает необходимость совершенствования, как аппаратной части сенсоров, используемых для считывания в реальном времени характеристик функционирования деталей системы, так и программных методов эффективной обработки данных, поступающих от сенсоров для своевременного выявления неисправностей в системе. В статье решается задача разработки подхода к автоматизированному обнаружению дефектов материалов на примере роторных механизмов с использованием машинного обучения и визуального анализа данных. Экспериментальная оценка подхода выполняется с помощью небольшого набора данных, собранных от подшипниковых устройств и описывающих, как нормальный режим функционирования, так и три режима с дефектами в подшипниках. Решение этой задачи позволит более быстро, своевременно и с меньшим участием человека выявлять дефекты устройств и материалов в процессе работы системы. Новизной предложенного подхода является сочетание машинного обучения и визуального анализа данных в условиях использования обучающих выборок малого размера. Кроме того, решается задача отбора признаков дефектов — первичных данных, которые необходимо считывать с сенсоров устройств и которые позволяют достоверно выявлять дефекты в системе. Это будет способствовать уменьшению затрат на внедрение встраиваемых сенсоров и средств их автоматической диагностики, на их обслуживание за счет снижения числа используемых сенсоров.
Скачивания
Литература
2. Vil’deman V. E., Sannikova T. V. and Tret’yakov M. P. (2010) Experimental investigation of material deformation and failure regularities in a flat stressed state. Journal of Machinery Manufacture and Reliability. No 39. P. 492–496. DOI
3. Graber M., Kissam S., Payne V., Meyer A., Sorensen A., Lenfestey N., Tant E., Henriksen K., Labresh K. and Singh H. (2012) Cognitive interventions to reduce diagnostic error: A narrative review. BMJ quality & safety. Vol. 21. P. 535–57. DOI
4. Galetto M. [et al.] (2020) Defect Probability Estimation for Hardness-Optimised Parts by Selective Laser Melting. International Journal of Precision Engineering and Manufacturing. No 21. P. 1739–1753. DOI
5. Branitskiy A. A. and Kotenko I. V. (2016) Analysis and classification of methods for net work attack detection. SPIIRAS Proceedings. Iss. 2 (45). P. 207–244. DOI
6. Kulkarni A., Vidvans A., Rifat M., Bicknell G., Gong X., Manogharan G., Terpenny J. and Basu S. (2018) Scalable Detection of Defects in Additively Manufactured PLA Components. 13th International Manufacturing Science and Engineering Conference (ASME 2018): proceedings of the International Scientific and Technical Conference (Texas, USA, June 18–22). Vol. 1: Additive Manufacturing; Bio and Sustainable Manufacturing. College Station. P. 1–8. DOI
7. Saberironaghi A., Ren J. and El-Gindy M. (2023) Defect Detection Methods for Industrial Products Using Deep Learning Techniques: A Review. Algorithms. No 16. 95. DOI
8. Butler K. [et al.] (2018) Machine learning for molecular and materials science. Nature. Iss. 559. P. 547–555. DOI
9. Heinzl C. and Stappen S. (2017) STAR: Visual Computing in Materials Science. Computer Graphics Forum. Iss. 36. P. 647–666. DOI
10. Dean J., Scheffler M., Purcell T., Barabash S., Bhowmik R. and Bazhirov T. (2021) Interpretable Machine Learning for Materials Design. arXiv:2112.00239 [cond-mat.mtrl-sci]. DOI
11. Thomas J. and Cook K. A. (2006) A visual analytics agenda. IEEE Computer Graphics and Applications. Vol. 26, No. 1. P. 10–13. DOI
12. Heilala J., Järvinen P., Siltanen P., Montonen J., Hentula M. and Haag M. (2016) Interactive Visual Analytics of Production Data — Predictive Manufacturing. Proceedings of The 9th EUROSIM Congress on Modelling and Simulation, EUROSIM 2016, The 57th SIMS Conference on Simulation and Modelling SIMS 2016. P. 181–186. DOI
13. Aehnelt M., Schulz H. and Urban B. (2013) Towards a Contextualized Visual Analysis of Heterogeneous Manufacturing Data. LNCS 8034, Springer-Verlag Berlin Heidelberg, Part II. P. 76– 85. DOI
14. Tack T., Maier A. and Niggemann O. (2014) On Visual Analytics in Plant Monitoring. Lecture Notes in Electrical Engineering. Informatics in Control, Automation and Robotics. Vol. 283. P. 19–33. DOI
15. Harbig J. [et al.] (2022) Methodology to Determine Melt Pool Anomalies in Powder Bed Fusion of Metals Using a Laser Beam by Means of Process Monitoring and Sensor Data Fusio. Materials. Iss. 15 (3). 1265. DOI
16. Filz M.-A., Gellrich S., Herrmann C. and Thiede S. (2020) Data-driven Analysis of Product State Propagation in Manufacturing Systems Using Visual Analytics and Machine Learning. Procedia CIRP. Vol. 93. P. 449–454. DOI
17. Mehta P., Butkewitsch-Choze S. and Seaman C. (2018) Smart manufacturing analytics application for semi-continuous manufacturing process — a use case. Procedia Manufacturing. Vol. 26. P. 1041–1052. DOI
18. Shulepov A., Novikova E. and Murenin I. (2022) Approach to Anomaly Detection in Cyber-Physical Object Behavior. Studies in Computational Intelligence. Springer, Cham. Vol. 1026. P. 417–426. DOI
19. Data set on material defects of rotary machines. Available at: URL
20. Yang J. [et al.] (2020) Using Deep Learning to Detect Defects, in Manufacturing: A Comprehensive Survey and Current Challenges. Materials. Iss. 13. 5755. DOI
21. Meleshko A., Desnitsky V. and Kotenko I. (2021) Approach to Anomaly Detection in Self-Organized Decentralized Wireless Sensor Network for Air Pollution Monitoring. MATEC Web of Conferences. Vol. 346. P. 1–8. DOI
22. Elnour M. [et al.] (2020) A Dual-Isolation-Forests-Based Attack Detection Framework for Industrial Control Systems. IEEE Access. Vol. 8. P. 36639–36651. DOI
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
