품질 결함은 일반적으로 텍스트 형태로 기록되며 엔지니어가 수동으로 진단합니다. 효율성을 높이고 정확한 유지 보수 결정을 내리기 위해 새로운 결함 진단 방법이 필요합니다. 그러나 일반적인 진단 방법은 디지털 또는 이미지 데이터의 모니터링을 포함하는 경우가 많아 텍스트 데이터 내 품질 결함 식별에는 적합하지 않습니다. 또한 현재의 텍스트 분류 방법은 항공기 조립에 적용하기 어렵습니다. 긴 중국어 텍스트가 포함된 품질 결함을 위해 본 논문은 가중 텍스트 임베딩과 스택드 희소 오토인코더(AE) 네트워크를 융합한 새로운 지능형 진단 프레임워크를 제안합니다. 먼저 중국어 형태소 분석을 통해 결함 텍스트를 독립 단어로 분할하고, word2vec(단어 간 의미 관계를 포착하는 신경 임베딩 모델)을 이용해 키워드의 단어 벡터를 표현합니다. 둘째, 전문가 지식을 기반으로 한 반감독 속성 라벨링 알고리즘을 개발하여 키워드의 가중치를 결정하고, 이후 단어 벡터의 가중 합산을 통해 텍스트 벡터를 계산합니다. 셋째, 텍스트 벡터의 고차원성과 희소성을 고려하여 텍스트 벡터를 분류하고 품질 결함 유형을 식별하기 위한 스택드 희소 AE 네트워크를 구축했습니다. 이 방법을 실제 항공기 조립 데이터 세트에 적용한 결과, 제안된 프레임워크가 우수한 성능을 보였습니다.

품질 결함;항공기 조립;진단 프레임워크;중국어 텍스트 임베딩;스택드 희소 오토인코더