Aprendizaje de conjunto profundo basado en la fusión de múltiples formas en el reconocimiento de fallas de la caja de...

Área de la Ciencia:

• Ingeniería
• Ciencias de la computación
• Aprendizaje automático

Sus antecedentes:

• La identificación de fallas en equipos industriales se enfrenta a desafíos debido a fuentes de datos únicas, sensibilidad de datos variable y limitaciones de extracción de características.
• Estos problemas resultan en dificultades en la fusión de información, una representación inadecuada del estado y una baja precisión y robustez en la identificación de fallos.

Objetivo del estudio:

• Proponer un nuevo modelo de red de identificación de fallas de fusión de información múltiple que utilice el aprendizaje en conjunto profundo.
• Abordar las limitaciones de los datos de una sola fuente y mejorar la precisión y la robustez del reconocimiento de fallas de los equipos.

Principales métodos:

• Se desarrolló una red de aprendizaje conjunto profundo que comprende múltiples unidades de extracción de subcaracterísticas y unidades de fusión de características.
• La información de mapeo de características de falla de cada fuente se extrajo y almacenó en submodelos distintos.
• Las características de los submodelos se fusionaron utilizando una unidad de fusión de características dedicada para obtener resultados finales de reconocimiento de fallas.

Principales resultados:

• El método propuesto se evaluó utilizando dos conjuntos de datos de la caja de cambios.
• Se logra una precisión cercana al 100% para todos los tipos de fallas, superando significativamente los métodos simples de fusión por apilamiento y de punto único.
• Se ha demostrado un rendimiento superior en las tareas de reconocimiento de fallos de la caja de cambios.

Conclusiones:

• La red de identificación de fallas de fusión de información múltiple propuesta basada en el aprendizaje conjunto profundo es factible y eficaz.
• El método ofrece una solución robusta para el reconocimiento preciso de fallas de equipos en entornos industriales.
• Destaca el potencial del aprendizaje conjunto profundo para aplicaciones complejas de diagnóstico de fallas.