Gemini, un modelo de lenguaje grande entrenado por Google

Área de la Ciencia:

• Ingeniería
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• Los equipos electromecánicos son vitales para las operaciones industriales.
• El diagnóstico de fallos se enfrenta a desafíos como datos limitados y mala generalización.
• Los métodos existentes luchan con las restricciones del mundo real en la industria.

Objetivo del estudio:

• Proponer un marco novedoso para el diagnóstico de fallos de equipos electromecánicos.
• Abordar la escasez de datos y los problemas de generalización en entornos industriales.
• Mejorar la precisión y la robustez de la detección de fallos.

Principales métodos:

• Se construyó un modelo de gemelo digital de cinco dimensiones (DTEE) para la simulación de datos.
• Se empleó la mejora de datos y el aprendizaje contrastivo de tiempo-frecuencia autosupervisado (DT-SSTFCL).
• Se utilizó un codificador transformador de doble flujo y una matriz de pérdida de correlación cruzada (CCLM) para el aprendizaje de características.

Principales resultados:

• El modelo DTEE generó datos simulados para superar la insuficiencia de datos de fallos y el desequilibrio de clases.
• DT-SSTFCL aprendió de manera efectiva características complementarias en el dominio del tiempo y la frecuencia.
• La optimización del kernel de wavelet suavizado (SWK) mejoró la comprensión de las características tiempo-frecuencia.

Conclusiones:

• El marco propuesto supera significativamente a los métodos existentes en el diagnóstico de fallos.
• Ofrece una solución viable para el diagnóstico de fallos de equipos electromecánicos con datos etiquetados limitados.
• El método demuestra sólidas capacidades de generalización en diferentes escenarios operativos.