Nieuwe methode voor onzekerheidsanalyse bij lagers
Een neutrosofische ensemble-aanpak verbetert de detectie van defecten in lagers door onzekerheid beter te onderscheiden. De methode combineert meerdere machine learning-classificatoren om onderscheid te maken tussen overtuigende fouten en ambigue voorspellingen.
In industriële toepassingen worden machine learning-modellen ingezet om slijtage en defecten vroegtijdig op te sporen, bijvoorbeeld aan de lagers van machines. Standaard classificatoren leveren vaak enkel een getal voor de betrouwbaarheid, waardoor het lastig is om echte fouten te scheiden van twijfelachtige voorspellingen.
Vier indicatoren voor betere duiding
Wetenschappers hebben daarom een methode ontwikkeld waarin een combinatie van verschillende machine learning-algoritmen wordt ontleed in vier specifieke indicatoren. Deze indicatoren brengen de bewijslast voor zowel de voorspelde klasse als alternatieven nauwkeuriger in kaart, evenals de mate van onzekerheid.
Deze ontwikkeling past binnen de bredere inspanning binnen de industriële automatisering om machine learning robuuster te maken. Door modellen niet alleen een antwoord te laten geven, maar ook inzicht te geven in de betrouwbaarheid daarvan, kunnen operators beter onderbouwde beslissingen nemen over onderhoud.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel