Les défauts de qualité sont généralement enregistrés sous forme de texte et diagnostiqués manuellement par les ingénieurs. Pour améliorer l'efficacité et prendre des décisions de maintenance précises, une nouvelle méthode de diagnostic des défauts est nécessaire. Cependant, les méthodes de diagnostic courantes impliquent souvent la surveillance de données numériques ou d'images, ce qui n'est pas adapté pour identifier les défauts de qualité dans les données textuelles. De plus, les méthodes actuelles de classification de textes sont difficiles à mettre en œuvre dans l'assemblage d'avions. Pour les défauts de qualité impliquant de longs textes chinois, cet article propose un nouveau cadre de diagnostic intelligent qui fusionne l'intégration textuelle pondérée et un réseau empilé d'autoencodeurs rares (AE). Tout d'abord, le texte du défaut est segmenté en mots indépendants via la segmentation chinoise, et les mots-clés sont représentés par des vecteurs de mots à l'aide de word2vec (un modèle d'intégration neuronale capable de capturer les relations sémantiques entre les mots). Ensuite, un algorithme d'annotation semi-supervisé basé sur l'expertise a été développé pour déterminer le poids des mots-clés, puis le vecteur du texte est calculé par la somme pondérée des vecteurs de mots. Troisièmement, tenant compte de la haute dimensionnalité et de la rareté des vecteurs textuels, un réseau AE empilé et rare a été construit pour classer les vecteurs textuels et identifier les types de défauts de qualité. La méthode a été appliquée à un ensemble de données réel d'assemblage d'avions, et les résultats montrent que le cadre proposé présente d'excellentes performances.

défauts de qualité;assemblage d'avions;cadre de diagnostic;intégration de texte chinois;réseau empilé d'autoencodeurs rares