Los defectos de calidad generalmente se registran en forma de texto y son diagnosticados manualmente por ingenieros. Para mejorar la eficiencia y tomar decisiones de mantenimiento precisas, se requiere un nuevo método de diagnóstico de defectos. Sin embargo, los métodos de diagnóstico comunes suelen implicar la supervisión de datos digitales o de imágenes, lo cual no es adecuado para identificar defectos de calidad en datos de texto. Además, los métodos actuales de clasificación de texto son difíciles de implementar en el ensamblaje de aviones. Para defectos de calidad que involucran textos chinos largos, este artículo propone un nuevo marco de diagnóstico inteligente que fusiona la incrustación ponderada de texto y una red apilada de auto codificadores dispersos (AE). Primero, el texto del defecto se divide en palabras independientes mediante segmentación china, y las palabras clave se representan con vectores de palabras utilizando word2vec (un modelo de incrustación neuronal que captura relaciones semánticas entre palabras). Segundo, se desarrolló un algoritmo de etiquetado semisupervisado basado en conocimientos expertos para determinar el peso de las palabras clave, luego se calcula el vector de texto mediante la suma ponderada de los vectores de palabras. Tercero, considerando la alta dimensión y dispersión de los vectores de texto, se construyó una red AE dispersa apilada para clasificar los vectores de texto e identificar tipos de defectos de calidad. El método se aplicó a un conjunto de datos real de ensamblaje de aviones, y los resultados muestran que el marco propuesto tiene un rendimiento sobresaliente.

defectos de calidad;ensamblaje de aviones;marco diagnóstico;incrustación de texto chino;red apilada de auto codificadores dispersos