NGHIÊN CỨU NHẬN DIỆN HƯ HỎNG BẤT THƯỜNG TRONG DẦM THÉP BẰNG VARIATIONAL AUTOENCODER (VAE)

Tóm tắt

Trong lĩnh vực bảo trì và bảo dưỡng, việc tiến hành khảo sát và điều tra để xác định và phân tích các hư hỏng đóng vai trò quan trọng trong quá trình sản xuất. Gần đây, đã có một lượng lớn nghiên cứu về các kỹ thuật phát hiện bất thường nhằm tránh các hạn chế liên quan đến chi phí và nhãn dữ liệu. Do đó, chúng tôi đề xuất sử dụng một phương pháp học máy không giám sát được biết đến là Variational AutoEncoder (VAE) để chẩn đoán các hư hỏng của dầm, một chi tiết cơ bản trong lĩnh vực cơ khí. Bằng cách tiến hành thực nghiệm trên các mô hình dầm, chúng tôi có thể đánh giá và biểu diễn các hư hỏng một cách hiệu quả trong không gian tiềm ẩn. Qua đó, nghiên cứu này đã cho thấy tính hiệu quả và khả thi của không gian ẩn trong mô hình VAE, có thể ứng dụng với nhiều loại hư hỏng và nhiều chi tiết khác trong công nghiệp.

Title

STUDY ON ANOMALY DETECTION OF STEEL BEAM USING VARIATIONAL AUTOENCODER (VAE)

Abstract

In the field of maintenance and upkeep, conducting surveys and investigations to identify and analyze faults plays a crucial role in the production process. Recently, there has been a significant amount of research on anomaly detection techniques to overcome limitations related to cost and data labeling. Therefore, we propose the use of an unsupervised machine learning method known as Variational AutoEncoder (VAE) for diagnosing beam faults, a fundamental component in the mechanical industry. By conducting experiments on beam models, we can effectively evaluate and represent faults in the latent space. This research demonstrates the effectiveness and feasibility of the latent space in the VAE model, which can be applied to various types of faults and different components in the industry.