Qualitätsmängel werden in der Regel in Textform aufgezeichnet und von Ingenieuren manuell diagnostiziert. Um die Effizienz zu steigern und genaue Wartungsentscheidungen zu treffen, wird eine neue Methode zur Fehlerdiagnose benötigt. Häufig beinhalten gängige Diagnosemethoden die Überwachung numerischer oder Bilddaten, die für die Erkennung von Qualitätsmängeln in Textdaten nicht geeignet sind. Darüber hinaus sind aktuelle Textklassifikationsmethoden in der Flugzeugmontage schwer umzusetzen. Für Qualitätsmängel, die lange chinesische Texte betreffen, schlägt dieser Artikel einen neuen intelligenten Diagnoseansatz vor, der gewichtete Texteinbettungen mit einem gestapelten spärlichen Autoencoder-Netzwerk (AE) kombiniert. Zunächst wird der Mängeltext durch chinesische Wortsegmentierung in eigenständige Wörter unterteilt, und Schlüsselwörter werden mittels word2vec (einem neuronalen Einbettungsmodell, das semantische Beziehungen zwischen Wörtern einfängt) als Wortvektoren dargestellt. Zweitens wurde ein halbüberwachter Attributannotierungsalgorithmus basierend auf Expertenwissen entwickelt, um die Gewichtung der Schlüsselwörter zu bestimmen, anschließend wird der Textvektor durch gewichtete Summierung der Wortvektoren berechnet. Drittens wurde angesichts der hohen Dimensionalität und Sparsamkeit der Textvektoren ein gestapeltes spärliches AE-Netzwerk aufgebaut, um Textvektoren zu klassifizieren und Qualitätsmängeltypen zu identifizieren. Die Methode wurde auf einen realen Datensatz zur Flugzeugmontage angewendet, wobei die Ergebnisse die hervorragende Leistung des vorgeschlagenen Rahmens zeigten.

Qualitätsmängel;Flugzeugmontage;Diagnoserahmen;chinesische Texteinbettung;gestapeltes spärliches Autoencoder-Netzwerk