Ultrasonic sensors are a low-cost and in-line technique and can be combined with machine learning for industrial process monitoring. However, training accurate machine learning models for process monitoring using sensor data is dependant on the feature selection methodology. This paper compares a convolutional feature extraction method to a traditional, coarse feature engineering approach. The convolutional method uses filter weights pre-trained on an auxiliary task to classify ultrasonic waveform dataset membership using previously obtained sensor data. The filter weights are used to extract features from the ultrasonic waveform. Principal component analysis is then applied to produce five principal components to be input into long short-term memory neural networks. The two approaches are compared on fermentation, mixing and cleaning datasets monitored using ultrasonic sensors. Overall, the convolutional feature method produced more informative waveform features than the coarse feature engineering approach, achieving higher model accuracy for datasets requiring substantial waveform information and for 65% of tasks overall. Multi-task learning also improved feature trajectory learning but led to reduced model accuracy for data points far from the classification decision boundaries. This can be overcome by further optimisation of neural network hyperparameters, though at increased model development time. Once trained, the convolutional feature extraction approach is a fast and convenient way of producing high quality features from ultrasonic waveforms using convolutional neural networks with little training data.

超声波传感器是一种低成本的在线技术，可以结合机器学习进行工业过程监控。但是，使用传感器数据为过程监控训练准确的机器学习模型取决于特征选择方法。本文将卷积特征提取方法与传统的粗略特征工程方法进行了比较。卷积方法使用在辅助任务上预先训练的滤波器权重，使用先前获得的传感器数据对超声波波形数据集成员进行分类。滤波器权重用于从超声波波形中提取特征。然后应用主成分分析来产生五个主成分以输入到长短期记忆神经网络中。两种方法在发酵上的比较，使用超声波传感器监测混合和清洁数据集。总体而言，卷积特征方法比粗特征工程方法产生了更多信息丰富的波形特征，为需要大量波形信息的数据集和 65% 的任务实现了更高的模型精度。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。卷积特征方法比粗特征工程方法产生了更多信息丰富的波形特征，为需要大量波形信息的数据集和 65% 的任务实现了更高的模型精度。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。卷积特征方法比粗特征工程方法产生了更多信息丰富的波形特征，为需要大量波形信息的数据集和 65% 的任务实现了更高的模型精度。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。为需要大量波形信息的数据集和 65% 的任务实现更高的模型精度。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。为需要大量波形信息的数据集和 65% 的任务实现更高的模型精度。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。多任务学习也改进了特征轨迹学习，但导致远离分类决策边界的数据点的模型准确性降低。这可以通过进一步优化神经网络超参数来克服，尽管需要增加模型开发时间。训练后，卷积特征提取方法是一种快速方便的方法，可以使用很少的训练数据使用卷积神经网络从超声波波形中生成高质量特征。