Un módulo de procesamiento de datos plug-and-play para el diagnóstico de fallas complejas

Área de la Ciencia:

• Ingeniería
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• El diagnóstico inteligente de fallas es crucial para los equipos modernos, pero está limitado por pequeños conjuntos de datos y fallas complejas.
• Los métodos existentes luchan con la escasez de datos y los patrones de fallas intrincados, lo que dificulta la aplicación industrial generalizada.

Objetivo del estudio:

• Desarrollar un módulo de procesamiento de datos "plug-and-play" para superar las limitaciones en el diagnóstico inteligente de fallas.
• Mejorar el rendimiento del modelo de aprendizaje profundo mediante la expansión del tamaño de la muestra y la mejora de las relaciones de datos.

Principales métodos:

• Un método de mejora de datos compuestos de fase de amplitud (APCUP) que utiliza la transformada de Fourier discreta para fusionar tipos de fallas y generar nuevas muestras.
• Una estrategia de alisado de etiquetas adyacentes (ALS) para procesar las etiquetas, evitando la sobreclasificación y mejorando la robustez del modelo.
• Integración de estos métodos en un nuevo módulo de procesamiento de datos.

Principales resultados:

• Eficacia y viabilidad demostradas en una plataforma de brazo robótico industrial y dos conjuntos de datos públicos.
• Capacidad del modelo marcadamente mejorada para el diagnóstico de fallas complejas.
• Aumento significativo de la precisión del diagnóstico y reducción de los errores tras la incorporación del módulo.

Conclusiones:

• El módulo de procesamiento de datos desarrollado amplía efectivamente los conjuntos de datos de formación y mejora las relaciones internas de datos.
• Las estrategias APCUP y ALS mejoran los modelos de aprendizaje profundo para el diagnóstico inteligente de fallas, especialmente para equipos industriales complejos.
• El módulo ofrece una solución práctica para mejorar la precisión y la robustez de los sistemas de diagnóstico de fallos.