工业传感器时间序列数据的神经网络迁移研究

### 工业传感器时间序列数据的神经网络迁移研究 在工业场景中，传感器时间序列数据广泛存在。本文将介绍两项迁移研究，旨在探索基于此类数据训练的神经网络的学习表示，不仅提升网络学习表示的透明度和可解释性，还能为制造过程提供额外的洞察。 #### 1. 研究概述 - **第一项研究**：将先前的方法应用于时间序列数据，以汽车制造业的预测质量场景为例，使用消融方法研究网络的学习表示，探究其如何基于过程数据识别故障。 - **第二项研究**：研究Transformer架构及其注意力机制，以深入了解制造过程中网络如何预测故障，同时考虑传感器数据的时空关系。 #### 2. 第一项迁移研究：深冲过程的网络消融 ##### 2.1 研究背景 在汽车车身零件的工业制造过程中，深冲是关键步骤。平板金属在深冲工具作用下变形为特定车身零件形状，但过程中金属板可能开裂，虽开裂板材对生产成本影响不大，但可能损坏深冲工具，造成高额成本。因此，预测过程故障（即金属板开裂）至关重要。 在本研究之前，生产线末端的人工质量控制过程得到了自动化和数据驱动解决方案的支持，用于在深冲过程后立即识别裂纹，为本次研究提供了标记数据和学习任务的基础。 ##### 2.2 关键贡献 - **使用Grad - CAM提取相关时间窗口**：采用显著性方法Grad - CAM，原本用于图像数据和计算机视觉任务，现应用于一维传感器时间序列数据，提取训练网络执行分类任务的相关时间窗口。 - **网络消融识别重要神经元**：利用网络消融识别网络中代表重要时间序列模式的相关神经元，这些模式由领域专家根据传感器数据与制造过程的关系判断为最重要。 ##### 2.3 方法和实验设计 - **网络训练**：使用一维卷积神经网络处理应变计传感器系统记录的高频时间序列数据，以监督方式训练网络，根据时间序列数据的时间特征预测过程故障。 - **数据集**： - **完整数据集**：包含传感器时间序列的完整过程，可能包含裂纹。 - **修改数据集**：时间序列在裂纹出现前截断，网络需根据不直接对应裂纹的特征预测故障。 - **后续处理**： - **Grad - CAM提取时间窗口**：训练成功后，应用Gradient - weighted Class Activation Mappings (Grad - CAM)提取时间序列中对网络决策最重要的时间窗口。 - **网络消融识别模式**：通过监测单个滤波器消融后网络的性能，识别数据中最重要的时间序列模式。 ##### 2.4 用例与数据采集 - **深冲过程**：平板金属坯料通过冲头的机械作用径向拉入成型模具。 - **数据来源**：德国汽车制造商冲压厂的深冲工具，该工具配备了8个采样率为2kHz的应变计传感器和不同法兰回缩点的激光传感器。在11个月内，采集了特定车身零件原型制造过程中4251次单次深冲行程的数据。 - **传感器测量内容**： - **应变计传感器**：测量与应变计纵向延伸或压缩成正比的电阻，反映冲头施加在工具底部的机械力。 - **激光传感器**：测量法兰回缩点与金属板之间的距离。 以下是数据采集过程的mermaid流程图： ```mermaid graph LR A[深冲工具] --> B[应变计传感器] A --> C[激光传感器] B --> D[采集应变计数据] C --> E[采集激光数据] D --> F[数据存储] E --> F ``` ##### 2.5 学习任务 - **任务一**：训练学习模型识别单个传感器信号时间过程中的裂纹，输入为应变计信号直至其峰值，模型学习与裂纹形状对应的特征。 - **任务二**：在裂纹出现前，根据应变计信号的时间过程预测裂纹的发生，模型需识