增量聚类用于冷学中的预测性维护,用于射电天文学

科学领域:

• 无线电天文学仪器仪器仪表
• 机械工程 机械工程 机械工程
• 人工智能的人工智能是人工智能.

背景情况:

• 在射电天文学接收器中保持最佳性能需要冷却系统的持续运行.
• 冷头和压缩机是易受机械损坏的关键部件.
• 监测电机功率电流可以显示出机械问题的早期迹象.

研究的目的:

• 开发一种智能系统,用于监测无线电天文学冷却系统中的冷头健康状况.
• 通过分析功率电流异常来检测和预测机械损坏.
• 确保敏感的射电天文学设备的可靠和一致的性能.

主要方法:

• 使用霍尔效应传感器来测量电机功率电流.
• 开发了一个基于微控制器的电子板来获取数据.
• 实施了基于异常检测增量聚类的无监督人工智能模型.
• 最初在已知的操作类别上训练模型,允许随着时间的推移适应新数据和异常.

主要成果:

• 该系统成功地检测和预测冷头电机动力电流中的异常.
• 增量集群方法允许模型适应不断变化的操作条件和新的故障场景.
• 该系统可以对新的异常进行分类,根据需要形成新的集群.
• 证明了对冷却系统组件的精确可靠长期健康监测的潜力.

结论:

• 开发的AI系统为监测射电天文学冷却系统的健康提供了强大的解决方案.
• 无监督的增量学习方法提高了适应能力和长期有效性,在检测多样化和不断变化的异常.
• 这项技术有助于提高关键无线电天文学基础设施的可靠性和减少关键无线电天文学基础设施的停机时间.