Cadre de réseau neuronal convolutif pour prédire la durée de vie utile restante des machines

Les industries modernes exigent des machines efficaces et fiables. Pour assurer la stabilité des équipements industriels et éviter les temps d’arrêt inutiles, il est important d’évaluer avec précision la durée de vie utile restante (RUL) d’une machine. Cela a été fait en utilisant des approches basées sur l’apprentissage en profondeur. En particulier, les réseaux de neurones profonds sont considérés comme prometteurs à cet égard.

Ceux-ci incluent les réseaux de neurones récurrents (RNN), les réseaux de neurones convolutionnels (CNN) ou les réseaux hybrides. Parmi elles, les approches basées sur RNN capturent efficacement les informations séquentielles, ce qui leur permet d’être plus performantes que les méthodes basées sur CNN. Cependant, contrairement aux CNN, ils mettent plus de temps à s’entraîner et manquent des fonctionnalités importantes des systèmes industriels. Même les hybrides RNN-CNN, explorés par des études antérieures, ont tendance à être sous-optimaux.

Récemment, une équipe de chercheurs, dirigée par le Dr Zhenghua Chen de l’Agence pour la science, la technologie et la recherche de Singapour, a remis en question le choix conventionnel de choisir les RNN plutôt que les CNN et a proposé une série de nouveaux CNN, qui ont montré des résultats comparables aux méthodes RNN. pour la prédiction RUL.

« Les approches existantes basées sur CNN ne sont pas conçues selon le principe classique de CNN, à savoir une taille de noyau (filtre d’extraction de caractéristiques) plus petite et un nombre de canaux plus grand, ce qui réduit leurs performances. De plus, elles négligent le rôle du champ récepteur et le taille de la région dans l’entrée qui produit la fonctionnalité », a expliqué le Dr Chen, parlant de leur motivation derrière l’étude, qui a été publiée dans Journal IEEE/CAA d’Automatica Sinica.

Premièrement, l’étude a établi que les noyaux de convolution unidimensionnels de petite taille et les réseaux profonds avec un grand champ récepteur sont souhaitables, car ils sont efficaces pour apprendre les caractéristiques à partir des signaux de série chronologique d’entrée et ils modélisent mieux les informations séquentielles. Sur cette base, l’équipe a proposé une nouvelle architecture CNN utilisant une combinaison à trois couches : une couche de convolution suivie d’une normalisation par lots et de couches d’unités linéaires rectifiées pour former une unité convolutive. Ces unités ont été empilées pour former un réseau de sorte que leur hauteur et leur largeur diminuent et que le nombre de canaux augmente avec la profondeur du réseau. Les couches entièrement connectées ont ensuite été utilisées pour prédire les valeurs RUL.

Ensuite, l’équipe a conçu un schéma de codage de position pour développer PE-Net, dans lequel deux transformations ont traduit les informations de position codées et les signaux d’entrée dans le même espace pour la fusion. De plus, les CNN ont été optimisés en utilisant la perte d’erreur quadratique moyenne (MSE) comme mesure de performance. Enfin, l’équipe a testé PE-Net en effectuant des expériences sur l’ensemble de données C-MAPSS, une référence bien connue pour la prédiction RUL.

PE-Net a obtenu de meilleurs résultats que les CNN existants sur la plupart des ensembles de données et a nettement surpassé les réseaux de neurones artificiels à « longue mémoire à court terme » pour les cas complexes. De plus, les transformations sous-jacentes suivies de la fusion « addition par élément » ont amélioré la précision de la prédiction RUL dans une mesure où elle a surpassé les approches RNN standard.

« PE-Net utilise les mégadonnées et la technologie d’apprentissage en profondeur pour identifier automatiquement et avec précision les composants à réparer en collectant des données à partir de capteurs installés sur des systèmes industriels. À l’avenir, avec les progrès de l’IA, cette technologie pourrait contribuer à réduire considérablement le coût de la main-d’œuvre pour l’entretien des machines industrielles en évitant les erreurs fatales », conclut le Dr Chen, évoquant les applications potentielles de leurs travaux.

Fourni par l’Association chinoise de l’automatisation