Prevê-se que o setor de manufatura em breve será fortemente influenciado por tecnologias baseadas em inteligência artificial, com os extraordinários aumentos no poder computacional e nos volumes de dados. Os métodos baseados em dados usam dados do sensor, como vibração, pressão, temperatura, e dados de energia para extrair recursos úteis para diagnóstico e previsão. Um desafio central no setor de manufatura está na exigência de uma estrutura geral para garantir um diagnóstico satisfatório e monitorar desempenhos em diferentes aplicações de manufatura.

Em um novo artigo de pesquisa publicado no National Science Review , Prof. Ye Yuan da Escola de Inteligência Artificial e Automação e Prof. Han Ding do Laboratório Estadual de Equipamentos e Tecnologia de Manufatura Digital, Universidade Huazhong de Ciência e Tecnologia, propôs em conjunto uma estrutura de diagnóstico ponta a ponta que pode ser usada em diversos sistemas de manufatura. Essa estrutura explora o poder preditivo das redes neurais convolucionais para extrair automaticamente recursos de degradação ocultos de dados de curso de tempo barulhentos. A estrutura proposta foi testada em dez conjuntos de dados representativos extraídos de uma ampla variedade de aplicações de manufatura. Os resultados revelam que a estrutura tem um bom desempenho em aplicativos de referência examinados e pode ser aplicada em diversos contextos, indicando seu uso potencial como pedra angular na manufatura inteligente.

Considerando que a potencial dependência temporal existente entre as amostras reconstruídas, este artigo usa três métodos de validação cruzada padrão (subconjuntos aleatórios, bloco contíguo, e sequência independente) para avaliar o desempenho da estrutura. Este artigo também interpreta como o modelo CNN aprende a partir de dados temporais de manufatura e a robustez da estrutura proposta também é discutida.