CNN mejorado para el diagnóstico de fallas del motor de inducción a través de la fusión de datos de múltiples fuentes

Área de la Ciencia:

• Ingeniería eléctrica
• Aprendizaje automático
• Procesamiento de señales

Sus antecedentes:

• El aislamiento de la señal de falla única en motores de inducción se enfrenta a desafíos debido a la baja precisión de reconocimiento.
• Las correlaciones no lineales en las características de falla complican los métodos de diagnóstico tradicionales.

Objetivo del estudio:

• Proponer una nueva estrategia de diagnóstico de fallas para motores de inducción que integre información de múltiples fuentes y una red neuronal convolucional mejorada (CNN).
• Mejorar la precisión de reconocimiento del aislamiento de la señal de falla única mediante la mitigación de las correlaciones no lineales.

Principales métodos:

• Las señales de vibración y de corriente del estator fueron preprocesadas utilizando autocodificadores de desnudez.
• Se fusionaron datos homogéneos de múltiples fuentes utilizando un método de tasa de contribución de la varianza de correlación.
• Las señales fusionadas se transformaron en imágenes 2D para ingresar en una arquitectura refinada de CNN.

Principales resultados:

• El modelo de CNN adaptativo propuesto logró una alta precisión de diagnóstico: 99,0% a 1800 rpm y 94,8% a 2400 rpm.
• El método utilizó efectivamente información redundante y complementaria de múltiples fuentes.
• Demostró un rendimiento superior en comparación con los métodos tradicionales y otras técnicas avanzadas de fusión de múltiples fuentes.

Conclusiones:

• La información integrada de múltiples fuentes y el enfoque CNN ofrecen una herramienta sólida para el diagnóstico de fallas del motor de inducción.
• El método modela con éxito la dinámica no lineal y mejora la extracción de características para una mayor precisión.
• Esta estrategia mejora significativamente la fiabilidad y la precisión de los sistemas de detección de fallas del motor de inducción.