P2IFormer: Un modelo de incrustación de parche a imagen de granularidad múltiple para el diagnóstico de fallos de...

Área de la Ciencia:

• Ingeniería mecánica
• Inteligencia artificial
• Procesamiento de señales

Sus antecedentes:

• Los rodamientos de la caja de ejes son críticos en los trenes de alta velocidad, pero son susceptibles a fallas bajo cargas pesadas, lo que afecta a la seguridad y la eficiencia.
• Los métodos de diagnóstico de fallas de aprendizaje profundo existentes luchan con la extracción de características temporales a múltiples escalas y el modelado de patrones locales.

Objetivo del estudio:

• Desarrollar un modelo avanzado de aprendizaje profundo, P2IFormer, para el diagnóstico preciso de fallos de los rodamientos de la caja de ejes.
• Para superar las limitaciones de los métodos actuales en la captura de patrones temporales y secuenciales complejos.

Principales métodos:

• Modelo P2IFormer propuesto que utiliza la incrustación de parche a imagen de granularidad múltiple.
• Dividiendo las secuencias de vibración en parches en múltiples granularidades y transformándolas en imágenes de Campo Angular de Gramian (GAF).
• Empleando un mecanismo de autoatención de multi-granularidad para el modelado de dependencias intra e inter-granularidad y la fusión de características.

Principales resultados:

• P2IFormer logró una precisión de más del 99,5% en el diagnóstico de fallos en diversas condiciones de velocidad.
• Se ha demostrado una mejora significativa del rendimiento en comparación con los métodos basados en redes neuronales convolucionales (CNN) y transformadores existentes.

Conclusiones:

• P2IFormer aborda eficazmente los desafíos en la extracción de características temporales a escala múltiple y el modelado de patrones locales para el diagnóstico de fallos de rodamientos.
• El método propuesto ofrece una solución robusta y altamente precisa para garantizar la seguridad y la eficiencia operativa de los trenes de alta velocidad.