Detección de fallos en rodamientos con un mecanismo ligero de extracción de características basado en convolución...

Área de la Ciencia:

• Ingeniería Mecánica
• Inteligencia Artificial
• Procesamiento de Señales

Sus antecedentes:

• Los métodos tradicionales de detección de fallos tienen dificultades en condiciones de trabajo complejas debido a la gran cantidad de parámetros y cálculos intrincados.
• Existe la necesidad de modelos eficientes y precisos de detección de fallos en rodamientos, especialmente para aplicaciones en tiempo real con recursos computacionales limitados.

Objetivo del estudio:

• Proponer un modelo novedoso de detección de fallos en rodamientos que aborde las limitaciones de los métodos tradicionales centrándose en la ligereza del modelo y manteniendo una alta precisión de detección.
• Desarrollar un modelo adecuado para la monitorización de fallos en tiempo real en escenarios con recursos limitados.

Principales métodos:

• El modelo propuesto integra convolución dilatada suavizada para la extracción de características de señales de vibración locales.
• Emplea convolución grupal, lavado de canales, poda de redes y destilación de conocimiento para reducir la complejidad computacional y el tamaño del modelo.
• Se combinan unidades de memoria recurrente con compuerta bidireccional y redes generativas adversarias para capturar dependencias a largo plazo en los datos.

Principales resultados:

• El modelo demostró una reducción significativa en parámetros y tiempo de razonamiento en comparación con métodos existentes, preservando la precisión de la detección.
• En la clasificación de muestras, el modelo logró una precisión del 97,88%, una velocidad de razonamiento promedio de 274 fps, un costo computacional de 1,66 FLOPs y 7,76M parámetros.
• Para la extracción de características de rodamientos y la detección de fallos, el modelo alcanzó una precisión de ajuste promedio del 96,13% y una precisión de detección del 99,62%.

Conclusiones:

• El modelo desarrollado equilibra eficazmente la ligereza del modelo con un rendimiento de detección robusto.
• Es muy adecuado para aplicaciones de monitorización de fallos en rodamientos en tiempo real, particularmente en entornos con potencia computacional y recursos limitados.