Предобученная TSFM помогает Siemens AG определять дефекты подшипников

Исследователи из Siemens AG Data & Artificial Intelligence, Ludwig-Maximilians-University Munich и University of Montenegro представили новый подход к классификации состояния подшипников на основе вибрационных данных с применением TSFM.

Модель была предобучена на большом наборе временных рядов и применена к новому набору данных с сервопресс-двигателя без дополнительного обучения. Используется подход in-context learning (few-shot prompting): в контекст подаются примеры четырёх классов состояния подшипника - нормальный, дефект внешнего и внутреннего кольца и наличие песка - после чего модель классифицирует новые сигналы.

Входные данные обрабатывались с помощью FFT-преобразования, что позволило модели анализировать спектральные характеристики вибраций. Метод показал точность ≈ 96 % при классификации состояния подшипников на новом наборе данных, который не использовался во время предобучения.

Исследование отмечает ограничения: модель тестировалась только на четырёх классах состояния подшипника, а также существуют ограничения на длину контекста при применении in-context learning.

Эта работа демонстрирует эффективность TSFM для анализа временных рядов в промышленных условиях и потенциал масштабируемого применения в различных механических системах.

По материалам arxiv