Diagnóstico de Falhas Auxiliado por Gêmeo Digital Usando Aprendizado por Transferência Profunda

O gêmeo digital é uma forma significativa de alcançar a manufatura inteligente e fornece um novo paradigma para o diagnóstico de falhas. Métodos tradicionais baseados em dados para diagnóstico de falhas geralmente presumem que os dados de treino e teste seguem a mesma distribuição e podem adquirir dados suficientes para treinar um modelo de diagnóstico confiável, o que é irrealista no processo de produção dinâmico e mutável. Neste artigo, apresentamos um método de diagnóstico de falhas auxiliado por gêmeo digital em duas fases usando aprendizado por transferência profunda (DFDD), que realiza o diagnóstico de falhas tanto nas fases de desenvolvimento quanto de manutenção. Inicialmente, os problemas potenciais que não foram considerados no momento do projeto podem ser descobertos por meio da execução antecipada do modelo de ultra-alta fidelidade no espaço virtual, enquanto um modelo de diagnóstico baseado em rede neural profunda (DNN) será completamente treinado. Na segunda fase, o modelo de diagnóstico previamente treinado pode ser migrado do espaço virtual para o espaço físico usando aprendizado por transferência profunda para monitoramento em tempo real e manutenção preditiva. Isso garante a precisão do diagnóstico e evita o desperdício de tempo e conhecimento. É apresentado um estudo de caso sobre diagnóstico de falhas usando DFDD em uma linha de produção de carroceria de automóvel. Os resultados mostram a superioridade e viabilidade do método proposto.