Investigación sobre el diagnóstico de fallas de transformación de nube modular para equipos mecánicos considerando...

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Ingeniería Mecánica Ingeniería Mecánica
• Ciencia de datos Ciencia de datos.

Sus antecedentes:

• Los grandes datos industriales presentan desafíos en el monitoreo de la salud de los equipos, incluidos grandes volúmenes, alta dimensionalidad y muestras escasas.
• La maldición de la dimensionalidad y las distribuciones de cola larga dificultan el diagnóstico preciso de fallas en los equipos mecánicos.
• Los métodos existentes luchan por manejar efectivamente las complejidades de los grandes datos industriales para el diagnóstico de fallas.

Objetivo del estudio:

• Proponer un nuevo marco de diagnóstico de fallas modulares inteligentes, Cloud Augmentation and Cloud Selection (CACS). para proponer un nuevo marco de diagnóstico de fallas modulares inteligentes, Cloud Augmentation y Cloud Selection (CACS).
• Para abordar los desafíos de la alta dimensionalidad y las distribuciones de cola larga en el diagnóstico de fallas.
• Lograr sistemáticamente el aumento de la muestra de fallas y la reducción de la dimensión de la característica utilizando transformaciones basadas en la nube de características.

Principales métodos:

• El marco CACS emplea una transformación basada en la nube de características para el procesamiento de datos.
• Un módulo de aumento utiliza un módulo generativo mejorado basado en la nube con muestreo jerárquico para el aumento de la muestra.
• Un módulo de reducción utiliza la divergencia simétrica bidireccional Kullback-Leibler (BKL) para medir las discrepancias de la nube de características y reducir las dimensiones a través de la norma de Frobenius.

Principales resultados:

• El marco CACS fue validado en conjuntos de datos de fallas de alta dimensión y larga cola para engranajes y rodamientos.
• Los resultados experimentales demuestran la efectividad del método modular propuesto.
• El método CACS logró un excelente rendimiento de diagnóstico en conjuntos de datos complejos.

Conclusiones:

• El marco propuesto de Cloud Augmentation and Cloud Selection (CACS) ofrece un enfoque sistemático para el diagnóstico de fallas.
• CACS maneja eficazmente la maldición de la dimensionalidad y las distribuciones de cola larga en los grandes datos industriales.
• El método muestra un potencial significativo para mejorar la vigilancia de la salud de los equipos mecánicos y los sistemas de diagnóstico de fallas.