Переднавчена TSFM допомагає Siemens AG визначати дефекти підшипників

Дослідники з Siemens AG Data & Artificial Intelligence, Ludwig-Maximilians-University Munich та University of Montenegro представили новий підхід до класифікації стану підшипників на основі вібраційних даних із застосуванням TSFM.

Модель була переднавчена на великому наборі часових рядів і застосована до нового набору даних з сервопрес-двигуна без додаткового навчання. Використовується підхід in-context learning (few-shot prompting): у контекст подаються приклади чотирьох класів стану підшипника - нормальний, дефект зовнішнього і внутрішнього кільця та наявність піску - після чого модель класифікує нові сигнали.

Вхідні дані оброблялися за допомогою FFT-перетворення, що дозволило моделі аналізувати спектральні характеристики вібрацій. Метод показав точність ≈ 96 % при класифікації стану підшипників на новому наборі даних, який не використовувався під час переднавчання.

Дослідження відзначає обмеження: модель тестувалася лише на чотирьох класах стану підшипника, а також існують обмеження на довжину контексту при застосуванні in-context learning.

Ця робота демонструє ефективність TSFM для аналізу часових рядів в промислових умовах та потенціал масштабованого застосування в різних механічних системах.

За матеріалами arxiv