Defeitos de qualidade geralmente são registrados em forma de texto e diagnosticados manualmente por engenheiros. Para aumentar a eficiência e tomar decisões de manutenção precisas, é necessário um novo método de diagnóstico de defeitos. No entanto, os métodos comuns de diagnóstico geralmente envolvem a monitoração de dados digitais ou de imagens, o que não é adequado para identificar defeitos de qualidade em dados textuais. Além disso, os métodos atuais de classificação de texto são difíceis de implementar na montagem de aeronaves. Para defeitos de qualidade envolvendo longos textos chineses, este artigo propõe uma nova estrutura inteligente de diagnóstico que integra embedding de texto ponderado com uma rede empilhada de autoencoders esparsos (AE). Primeiro, o texto do defeito é segmentado em palavras independentes por meio da segmentação chinesa, e as palavras-chave são representadas por vetores de palavras utilizando word2vec (um modelo de embedding neural que captura relações semânticas entre palavras). Em segundo lugar, foi desenvolvido um algoritmo de rotulagem semi-supervisionado baseado no conhecimento de especialistas para determinar o peso das palavras-chave, sendo o vetor de texto então calculado pela soma ponderada dos vetores das palavras. Terceiro, considerando a alta dimensionalidade e esparsidade dos vetores de texto, construiu-se uma rede AE empilhada esparsa para classificar os vetores de texto e identificar os tipos de defeitos de qualidade. O método foi aplicado a um conjunto de dados real de montagem de aeronaves, e os resultados mostram que a estrutura proposta apresenta desempenho excelente.

defeitos de qualidade;montagem de aeronaves;estrutura de diagnóstico;embedding de texto chinês;rede empilhada de autoencoders esparsos