Método de detección de anomalías en rodamientos basado en fusión multimodal y aprendizaje auto-adversarial

Área de la Ciencia:

• Ingeniería
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• La detección de anomalías en rodamientos se enfrenta a desafíos debido a datos desequilibrados y condiciones complejas, lo que provoca sobreajuste del modelo y altas tasas de falsos positivos.
• Los modelos existentes de aprendizaje profundo basados en datos tienen dificultades con los entornos operativos ruidosos y del mundo real de los ferrocarriles inteligentes.

Objetivo del estudio:

• Desarrollar una estrategia robusta de aprendizaje profundo para la detección de anomalías en rodamientos en entornos ferroviarios de alto ruido.
• Abordar los problemas de escasez de datos y desequilibrio de clases en la detección de anomalías en rodamientos.

Principales métodos:

• Se convirtieron datos de series temporales de vibración 1D en imágenes de Campo de Diferencia Angular de Gram (GADF) para la fusión de características multimodales con datos de series temporales originales.
• Se implementó una estrategia compuesta de aumento de datos (dominio del tiempo y dominio de la imagen) para expandir las muestras de anomalías.
• Se introdujo el Entrenamiento Auto-Adversarial (SAT) en el espacio de características fusionadas para generar muestras adversariales, promoviendo el aprendizaje de características generalizadas y robustas.

Principales resultados:

• El método propuesto superó significativamente a los modelos de referencia tradicionales en precisión, exactitud, exhaustividad y puntuación F1 para la detección de anomalías en rodamientos.
• Demostró una robustez excepcional contra las interferencias y el ruido específicos del riel.
• Mitigó eficazmente los problemas de escasez de datos y desequilibrio de clases mediante técnicas avanzadas de aumento y entrenamiento.

Conclusiones:

• La estrategia de fusión multimodal y SAT proporciona una solución especializada y eficaz para la detección de anomalías en rodamientos en escenarios desafiantes de mantenimiento de ferrocarriles inteligentes.
• El enfoque mejora la generalización y la robustez del modelo, lo cual es crucial para un rendimiento fiable en condiciones operativas realistas y ruidosas.