Hispanopedia Wiki
Articulo de referencia

Detección y aislamiento de fallos

La detección, aislamiento y recuperación de fallas ( FDIR ) es un subcampo de la ingeniería de control que se ocupa de monitorear un sistema, identificar cuándo ha ocurrido una ...

Hispanopedia WikiContenido en espanolLectura gratuita

La detección, aislamiento y recuperación de fallas ( FDIR ) es un subcampo de la ingeniería de control que se ocupa de monitorear un sistema, identificar cuándo ha ocurrido una falla y determinar el tipo de falla y su ubicación. Se pueden distinguir dos enfoques: un reconocimiento directo de patrones en las lecturas de los sensores que indican una falla y un análisis de la discrepancia entre las lecturas de los sensores y los valores esperados, derivados de algún modelo. En este último caso, es típico que se diga que una falla se detecta si la discrepancia o el residuo supera un cierto umbral. La tarea del aislamiento de fallas es entonces categorizar el tipo de falla y su ubicación en la maquinaria. Las técnicas de detección y aislamiento de fallas ( FDI ) se pueden clasificar en dos categorías principales: FDI basada en modelos y FDI basada en procesamiento de señales.

Inversión Extranjera Directa basada en modelos

Ejemplo de lógica FDI basada en modelos para un actuador en un sistema de control de elevador de aeronave [ 1 ]

En las técnicas de FDI basadas en modelos, se utiliza un modelo del sistema para determinar la ocurrencia de fallas. El modelo del sistema puede ser matemático o basado en el conocimiento. Algunas de las técnicas de FDI basadas en modelos incluyen [ 2 ] el enfoque basado en observadores, el enfoque de espacio de paridad y los métodos basados ​​en la identificación de parámetros. Existe otra tendencia en los esquemas de FDI basados ​​en modelos, denominada métodos de pertenencia a conjuntos. Estos métodos garantizan la detección de fallas bajo ciertas condiciones. La principal diferencia radica en que, en lugar de encontrar el modelo más probable, estas técnicas omiten los modelos que no son compatibles con los datos. [ 3 ] [ 4 ]

El ejemplo que se muestra en la figura de la derecha ilustra una técnica de detección y diagnóstico de fallos (FDI) basada en modelos para un controlador reactivo de elevador de aeronave mediante el uso de una tabla de verdad y un diagrama de estados. La tabla de verdad define cómo reacciona el controlador ante los fallos detectados, y el diagrama de estados define cómo el controlador conmuta entre los diferentes modos de operación (pasivo, activo, en espera, apagado y aislado) de cada actuador. Por ejemplo, si se detecta un fallo en el sistema hidráulico 1, la tabla de verdad envía un evento al diagrama de estados indicando que el actuador interno izquierdo debe apagarse. Una de las ventajas de esta técnica FDI basada en modelos es que este controlador reactivo también puede conectarse a un modelo de tiempo continuo del sistema hidráulico del actuador, lo que permite el estudio de los transitorios de conmutación. [ 5 ]

FDI basado en procesamiento de señales

En la detección y aislamiento de fallas basada en el procesamiento de señales, se realizan algunas operaciones matemáticas o estadísticas sobre las mediciones, o se entrena una red neuronal utilizando las mediciones para extraer la información sobre la falla. [ 6 ] [ 7 ] [ 8 ] [ 9 ]

Un buen ejemplo de FDI basado en procesamiento de señales es la reflectometría en el dominio del tiempo, donde se envía una señal a través de un cable o línea eléctrica y la señal reflejada se compara matemáticamente con la señal original para identificar fallas. La reflectometría en el dominio del tiempo de espectro ensanchado, por ejemplo, implica enviar una señal de espectro ensanchado a través de una línea de cable para detectar fallas en el cable. [ 10 ] También se han propuesto varios métodos de agrupamiento para identificar la nueva falla y segmentar una señal dada en segmentos normales y defectuosos. [ 11 ]

Diagnóstico de fallas de la máquina

El diagnóstico de fallas en máquinas es un campo de la ingeniería mecánica que se ocupa de encontrar fallas en las máquinas. Una parte particularmente desarrollada se aplica específicamente a la maquinaria rotativa, uno de los tipos más comunes. Para identificar las fallas más probables que conducen a la falla, se utilizan muchos métodos para la recopilación de datos, incluyendo monitoreo de vibraciones , imágenes térmicas , análisis de partículas de aceite, etc. Luego, estos datos se procesan utilizando métodos como análisis espectral , análisis de ondículas , transformada de ondículas, transformada de Fourier de corto tiempo, expansión de Gabor, distribución de Wigner-Ville (WVD), cepstrum, bispectro, método de correlación, análisis espectral de alta resolución, análisis de forma de onda (en el dominio del tiempo, ya que el análisis espectral generalmente solo considera la distribución de frecuencia y no la información de fase) y otros. Los resultados de este análisis se utilizan en un análisis de causa raíz de falla para determinar la causa original de la falla. Por ejemplo, si se diagnostica una falla en un rodamiento, es probable que el rodamiento no se haya dañado durante la instalación, sino como consecuencia de otro error de instalación (por ejemplo, desalineación) que luego provocó el daño del rodamiento. Diagnosticar el estado de un rodamiento dañado no es suficiente para un mantenimiento preciso. Es necesario identificar y corregir la causa raíz. De lo contrario, el rodamiento de repuesto se desgastará rápidamente por la misma razón y la máquina sufrirá más daños, permaneciendo peligrosa. Si bien la causa también puede detectarse mediante el análisis espectral realizado durante la recopilación de datos, esto no siempre es así.

La técnica más común para detectar fallas es el análisis tiempo-frecuencia. En una máquina rotativa, la velocidad de rotación (a menudo denominada RPM ) no es constante, especialmente durante el arranque y la parada. Incluso en estado estacionario, la velocidad de rotación varía alrededor de un valor medio, y esta variación depende de la carga y otros factores. Dado que las señales de sonido y vibración de una máquina rotativa están estrechamente relacionadas con su velocidad de rotación, se puede afirmar que son señales variables en el tiempo. Estas características variables en el tiempo contienen la información sobre las fallas de la máquina. Por consiguiente, la forma en que se extraen e interpretan estas características es fundamental para la investigación y las aplicaciones industriales.

El método más común utilizado en el análisis de señales es la FFT , o transformada de Fourier. La transformada de Fourier y su inversa ofrecen dos perspectivas para estudiar una señal: a través del dominio del tiempo o a través del dominio de la frecuencia. El espectro basado en la FFT de una señal temporal nos muestra la existencia de su contenido frecuencial. Al estudiar este y sus relaciones de magnitud o fase, podemos obtener diversos tipos de información, como armónicos , bandas laterales , frecuencia de batido , frecuencia de falla de rodamientos, etc. Sin embargo, la FFT solo es adecuada para señales cuyo contenido frecuencial no cambia con el tiempo; no obstante, como se mencionó anteriormente, el contenido frecuencial de las señales de sonido y vibración obtenidas de una máquina rotativa depende en gran medida del tiempo. Por esta razón, los espectros basados ​​en la FFT no pueden detectar cómo evoluciona el contenido frecuencial con el tiempo. Para ser más específicos, si las RPM de una máquina aumentan o disminuyen durante su arranque o parada, su ancho de banda en el espectro FFT será mucho mayor que en estado estacionario. Por lo tanto, en tal caso, los armónicos no son tan distinguibles en el espectro.

El enfoque tiempo-frecuencia para el diagnóstico de fallas en máquinas se divide en dos grandes categorías: métodos lineales y métodos cuadráticos. La diferencia radica en que las transformaciones lineales se pueden invertir para reconstruir la señal temporal, lo que las hace más adecuadas para el procesamiento de señales, como la reducción de ruido y el filtrado variable en el tiempo. Si bien el método cuadrático describe la distribución de energía de una señal en el dominio tiempo-frecuencia, lo cual es útil para el análisis, la clasificación y la detección de características de la señal, la información de fase se pierde en la representación tiempo-frecuencia cuadrática; además, con este método no se pueden reconstruir las series temporales.

La transformada de Fourier de corto plazo ( STFT ) y la transformada de Gabor son dos algoritmos comúnmente utilizados como métodos lineales de tiempo-frecuencia. Si consideramos el análisis lineal de tiempo-frecuencia como la evolución de la FFT convencional , entonces el análisis cuadrático de tiempo-frecuencia sería su contraparte en el espectro de potencia. Los algoritmos cuadráticos incluyen el espectrograma de Gabor, la clase de Cohen y el espectrograma adaptativo. La principal ventaja del análisis de tiempo-frecuencia es descubrir los patrones de cambios de frecuencia, que generalmente representan la naturaleza de la señal. Una vez identificado este patrón, se puede identificar la falla de la máquina asociada con él. Otro uso importante del análisis de tiempo-frecuencia es la capacidad de filtrar un componente de frecuencia particular mediante un filtro variable en el tiempo.

Diagnóstico de fallas robusto

En la práctica, las incertidumbres del modelo y el ruido de medición pueden complicar la detección y el aislamiento de fallas. [ 12 ]

En consecuencia, utilizar el diagnóstico de fallas para satisfacer las necesidades industriales de manera rentable y reducir los costos de mantenimiento sin requerir inversiones mayores que el costo de lo que se pretende evitar, exige un esquema eficaz para su aplicación. Este es el tema del mantenimiento, la reparación y las operaciones ; las diferentes estrategias incluyen:

Detección y diagnóstico de fallos mediante inteligencia artificial

Técnicas de aprendizaje automático para la detección y el diagnóstico de fallos

En la detección y diagnóstico de fallas, los modelos de clasificación matemática que pertenecen a los métodos de aprendizaje supervisado se entrenan en el conjunto de entrenamiento de un conjunto de datos etiquetado para identificar con precisión las redundancias, fallas y muestras anómalas. Durante las últimas décadas, se han desarrollado y propuesto diferentes modelos de clasificación y preprocesamiento en esta área de investigación. [ 13 ] El algoritmo de k vecinos más cercanos ( k NN) es una de las técnicas más antiguas que se ha utilizado para resolver problemas de detección y diagnóstico de fallas. [ 14 ] A pesar de la lógica simple que tiene este algoritmo basado en instancias, existen algunos problemas con la gran dimensionalidad y el tiempo de procesamiento cuando se utiliza en grandes conjuntos de datos . [ 15 ] Dado que k NN no puede extraer automáticamente las características para superar la maldición de la dimensionalidad , a menudo algunas técnicas de preprocesamiento de datos como el análisis de componentes principales (PCA), el análisis discriminante lineal (LDA) o el análisis de correlación canónica (CCA) lo acompañan para lograr un mejor rendimiento. [ 16 ] En muchos casos industriales, la efectividad de k NN se ha comparado con otros métodos, especialmente con modelos de clasificación más complejos como las Máquinas de Vectores de Soporte (SVM), que se utilizan ampliamente en este campo. Gracias a su mapeo no lineal apropiado mediante métodos de kernel , las SVM tienen un rendimiento impresionante en generalización, incluso con datos de entrenamiento pequeños. [ 17 ] Sin embargo, las SVM generales no tienen extracción automática de características por sí mismas y, al igual que k NN , a menudo se acoplan con una técnica de preprocesamiento de datos . [ 18 ] Otra desventaja de las SVM es que su rendimiento es altamente sensible a los parámetros iniciales, particularmente a los métodos de kernel , [ 19 ] por lo que en cada conjunto de datos de señal , se requiere realizar primero un proceso de ajuste de parámetros. Por lo tanto, la baja velocidad de la fase de entrenamiento es una limitación de las SVM cuando se trata de su uso en casos de detección y diagnóstico de fallas. [ 20 ]

Forma de onda en el dominio del tiempo (arriba) y CWTS (abajo) de una señal normal.

Las redes neuronales artificiales (RNA) se encuentran entre los algoritmos de clasificación matemática más maduros y ampliamente utilizados en la detección y el diagnóstico de fallas. Las RNA son bien conocidas por su eficiente capacidad de autoaprendizaje de las relaciones complejas (que generalmente existen de forma inherente en los problemas de detección y diagnóstico de fallas) y son fáciles de operar. [ 18 ] Otra ventaja de las RNA es que realizan extracción automática de características asignando pesos insignificantes a las características irrelevantes, lo que ayuda al sistema a evitar el uso de otro extractor de características. [ 21 ] Sin embargo, las RNA tienden a sobreajustarse al conjunto de entrenamiento, lo que tendrá como consecuencia una baja precisión de validación en el conjunto de validación. Por lo tanto, a menudo, se agregan algunos términos de regularización y conocimiento previo al modelo de RNA para evitar el sobreajuste y lograr un mayor rendimiento. Además, determinar correctamente el tamaño de la capa oculta requiere un ajuste exhaustivo de parámetros, para evitar capacidades deficientes de aproximación y generalización. [ 20 ] En general, diferentes modelos SVM y ANN (es decir, redes neuronales de retropropagación y perceptrón multicapa ) han demostrado un desempeño exitoso en la detección y diagnóstico de fallas en industrias como cajas de engranajes , [ 22 ] piezas de maquinaria (es decir, cojinetes mecánicos [ 23 ] ), compresores , [ 24 ] turbinas eólicas y de gas [ 25 ] [ 26 ] y placas de acero . [ 27 ]

Técnicas de aprendizaje profundo para la detección y el diagnóstico de fallas

Arquitectura típica de una red neuronal convolucional

Con los avances en la investigación de las ANN y la llegada de los algoritmos de aprendizaje profundo que utilizan capas profundas y complejas, se han desarrollado nuevos modelos de clasificación para abordar la detección y el diagnóstico de fallas. [ 28 ] La mayoría de los modelos de aprendizaje superficial extraen algunos valores de características de las señales, lo que provoca una reducción de la dimensionalidad de la señal original . Mediante el uso de redes neuronales convolucionales , el escalograma de la transformada wavelet continua se puede clasificar directamente en clases normales y defectuosas. Esta técnica evita omitir cualquier mensaje de falla importante y da como resultado un mejor rendimiento en la detección y el diagnóstico de fallas. [ 29 ] Además, al transformar las señales en construcciones de imágenes, se pueden implementar redes neuronales convolucionales 2D para identificar señales defectuosas a partir de características de imágenes de vibración. [ 30 ]

Las redes de creencias profundas [ 31 ] , las máquinas de Boltzmann restringidas [ 32 ] y los autoencoders [ 33 ] son ​​otras arquitecturas de redes neuronales profundas que se han utilizado con éxito en este campo de investigación. En comparación con el aprendizaje automático tradicional , debido a su arquitectura profunda, los modelos de aprendizaje profundo pueden aprender estructuras más complejas a partir de conjuntos de datos ; sin embargo, necesitan muestras más grandes y un tiempo de procesamiento más prolongado para lograr una mayor precisión. [ 18 ]

Recuperación de fallos

La recuperación de fallos en FDIR es la acción que se lleva a cabo después de que se haya detectado y aislado un fallo para devolver el sistema a un estado estable. Algunos ejemplos de recuperación de fallos son:

  • Desconexión de un equipo defectuoso
  • Cambio de un equipo defectuoso a un equipo redundante.
  • Cambio de estado del sistema completo a un modo seguro con funcionalidades limitadas.

Véase también

Referencias

  1. ↑ Jason R. Ghidella y Pieter J. Mosterman, "Pruebas basadas en requisitos en el diseño de controles de aeronaves", Documento ID AIAA 2005-5886 en AIAA Modeling and Simulations Technologies Conference and Exhibit 2005, 15-18 de agosto, San Francisco, California, 2005.
  2. ↑ Ding, SX, Técnicas de diagnóstico de fallas basadas en modelos, Springer 2008
  3. ↑ Harirchi, Farshad; Ozay, Necmiye (2015). "Invalidación de modelos para sistemas afines conmutados con aplicaciones a la detección de fallos y anomalías**Este trabajo cuenta con el apoyo parcial de la subvención DARPA N66001-14-1-4045" . IFAC-PapersOnLine . 48 (27): 260–266 . doi : 10.1016/j.ifacol.2015.11.185 .
  4. ↑ Harirchi, Farshad; Ozay, Necmiye (2016). "Detección de fallos basada en modelos garantizada en sistemas ciberfísicos: un enfoque de invalidación de modelos". arXiv : 1609.05921 [ math.OC ].
  5. ↑ "Pieter J. Mosterman y Jason Ghidella, "Reutilización de modelos para el entrenamiento de escenarios de fallas en el sector aeroespacial", en Actas de la Conferencia de Tecnologías de Modelado y Simulación de la AIAA, CD-ROM, documento 2004-4931, 16-19 de agosto, Centro de Convenciones de Rhode Island, Providence, RI, 2004" . Consultado el 7 de junio de 2011 .{{cite web}}: CS1 maint: servicio de archivado obsoleto ( enlace )
  6. ↑ Liu, Jie (2012). "Análisis del espectro de ondículas de Shannon en señales de vibración truncadas para la detección de fallas incipientes en máquinas". Measurement Science and Technology . 23 (5): 1– 11. Bibcode : 2012MeScT..23e5604L . doi : 10.1088/0957-0233/23/5/055604 . S2CID 121684952 . 
  7. ↑ Ahmadimanesh, Alireza y S. Mohammad Shahrtash. "Método de localización de fallas basado en transitorios para líneas multiterminales que emplean la transformada S." Transacciones IEEE sobre suministro de energía 28.3 (2013): 1373-1380.
  8. ↑ Ahmadimanesh, Alireza y Seyyed Mohammad Shahrtash. "Algoritmo de localización de fallas basado en la transformada tiempo-tiempo para líneas de transmisión de tres terminales". IET Generation, Transmission & Distribution 7.5 (2013): 464-473.
  9. ↑ Ahmadimanesh, A., y SM Shahrtash. "Uso de la transformada S para la localización de fallas en líneas de tres terminales". 10.ª Conferencia Internacional sobre Ingeniería Ambiental y Eléctrica (EEEIC), 2011. IEEE, 2011.
  10. ↑ Furse, Cynthia ; Smith, Paul; Lo, Chet. "Sensores de espectro ensanchado para la localización de fallas críticas . Enlace obsoleto archivado el 1 de mayo de 2010 en archive.today en Live Wire Networks" . Control estructural y monitoreo de la salud, 6 de junio de 2005.
  11. ↑ Bahrampour, Soheil; Moshiri, Behzad; Salahshour, Karim. "Agrupamiento C-means posibilístico ponderado y restringido para la detección y aislamiento de fallas en línea" Inteligencia Aplicada, Vol. 35, págs. 269-284, 6 de junio de 2005.
  12. ↑ Khorasgani, Hamed; Jung, Daniel E.; Biswas, Gautam; Frisk, Erik; Krysander, Mattias (2014). "Selección residual robusta para la detección de fallas". 53.ª Conferencia IEEE sobre Decisión y Control . págs. 5764–5769 . doi : 10.1109/CDC.2014.7040291 . ISBN  978-1-4673-6090-6.
  13. ↑ Chen, Kunjin; Huang, Caowei; He, Jinliang (1 de abril de 2016). "Detección, clasificación y localización de fallas en líneas de transmisión y sistemas de distribución: una revisión de los métodos" . High Voltage . 1 (1): 25– 33. doi : 10.1049/hve.2016.0005 .
  14. ↑ Verdier, Ghislain; Ferreira, Ariane (febrero de 2011). "Distancia de Mahalanobis adaptativa y regla del vecino más cercano $k$ para la detección de fallas en la fabricación de semiconductores". IEEE Transactions on Semiconductor Manufacturing . 24 (1): 59– 68. Bibcode : 2011ITSM...24...59V . doi : 10.1109/TSM.2010.2065531 . S2CID 23707431 . 
  15. ↑ Tian, ​​Jing; Morillo, Carlos; Azarian, Michael H.; Pecht, Michael (marzo de 2016). "Detección de fallas en rodamientos de motores mediante extracción de características basada en curtosis espectral acoplada con análisis de distancia de k vecinos más cercanos". IEEE Transactions on Industrial Electronics . 63 (3): 1793– 1803. Bibcode : 2016ITIE...63.1793T . doi : 10.1109/TIE.2015.2509913 . S2CID 265207 . 
  16. ↑ Safizadeh, MS; Latifi, SK (julio de 2014). "Uso de la fusión de datos multisensor para el diagnóstico de fallas por vibración de rodamientos de elementos rodantes mediante acelerómetro y celda de carga". Information Fusion . 18 : 1–8 . Bibcode : 2014InfFu..18....1S . doi : 10.1016/j.inffus.2013.10.002 .
  17. ↑ Liu, Jie; Zio, Enrico (diciembre de 2016). "Regresión de vectores de características con ajuste eficiente de hiperparámetros e interpretación geométrica". Neurocomputing . 218 : 411–422 . doi : 10.1016/j.neucom.2016.08.093 .
  18. 1 2 3 Liu, Ruonan; Yang, Boyuan; Zio, Enrico; Chen, Xuefeng (agosto de 2018). "Inteligencia artificial para el diagnóstico de fallas en maquinaria rotativa: una revisión". Mechanical Systems and Signal Processing . 108 : 33–47 . Bibcode : 2018MSSP..108...33L . doi : 10.1016/j.ymssp.2018.02.016 . S2CID 125976702 . 
  19. ↑ Genton, Marc G. (2001). "Clases de núcleos para aprendizaje automático: una perspectiva estadística" . Journal of Machine Learning Research . 2 : 299–312 . doi : 10.1162/15324430260185646 .
  20. 1 2 Kotsiantis, SB; Zaharakis, ID; Pintelas, PE (2006). "Aprendizaje automático: una revisión de técnicas de clasificación y combinación". Artificial Intelligence Review . 26 (3): 159– 190. doi : 10.1007/s10462-007-9052-3 . S2CID 1721126 . 
  21. ↑ Vercellis, Carlo (2008). Inteligencia empresarial: minería de datos y optimización para la toma de decisiones ([Edición en línea]. ed.). Hoboken, NJ: Wiley. pág. 436. ISBN   978-0-470-51138-1.
  22. ↑ Saravanan, N.; Siddabattuni, VNS Kumar; Ramachandran, KI (enero de 2010). "Diagnóstico de fallas de una caja de engranajes cónicos rectos usando una red neuronal artificial (ANN) y una máquina de vectores de soporte proximal (PSVM)". Applied Soft Computing . 10 (1): 344– 360. doi : 10.1016/j.asoc.2009.08.006 .
  23. ↑ Hui, Kar Hoou; Ooi, Ching Sheng; Lim, Meng Hee; Leong, Mohd Salman (15 de noviembre de 2016). "Una red neuronal artificial híbrida con la teoría de Dempster-Shafer para el diagnóstico automatizado de fallas en rodamientos" . Journal of Vibroengineering . 18 (7): 4409– 4418. doi : 10.21595/jve.2016.17024 .
  24. ↑ Qi, Guanqiu; Zhu, Zhiqin; Erqinhu, Ke; Chen, Yinong; Chai, Yi; Sun, Jian (enero de 2018). "Diagnóstico de fallas para compresores alternativos utilizando big data y aprendizaje automático". Simulation Modelling Practice and Theory . 80 : 104–127 . doi : 10.1016/j.simpat.2017.10.005 . S2CID 5850817 . 
  25. ↑ Santos, Pedro; Villa, Luisa; Reñones, Aníbal; Bustillo, Andrés; Maudes, Jesús (9 de marzo de 2015). "Una solución basada en SVM para la detección de fallas en turbinas eólicas" . Sensores . 15 (3): 5627– 5648. Código bibliográfico : 2015Senso..15.5627S . doi : 10.3390/s150305627 . PMC 4435112 . PMID 25760051 .  
  26. ↑ Wong, Pak Kin; Yang, Zhixin; Vong, Chi Man; Zhong, Jianhua (marzo de 2014). "Diagnóstico de fallas en tiempo real para sistemas de generadores de turbinas de gas mediante máquina de aprendizaje extremo". Neurocomputing . 128 : 249–257 . doi : 10.1016/j.neucom.2013.03.059 .
  27. ↑ Tian, ​​Yang; Fu, Mengyu; Wu, Fang (marzo de 2015). "Diagnóstico de fallas en placas de acero basado en máquinas de vectores de soporte". Neurocomputing . 151 : 296–303 . doi : 10.1016/j.neucom.2014.09.036 .
  28. ↑ Lv, Feiya; Wen, Chenglin; Bao, Zejing; Liu, Meiqin (julio de 2016). "Diagnóstico de fallas basado en aprendizaje profundo". 2016 American Control Conference (ACC) . págs. 6851–6856 . doi : 10.1109/ACC.2016.7526751 . ISBN  978-1-4673-8682-1. S2CID 6019009 . 
  29. ↑ Guo, Sheng; Yang, Tao; Gao, Wei; Zhang, Chen (4 de mayo de 2018). "Un nuevo método de diagnóstico de fallas para maquinaria rotativa basado en una red neuronal convolucional" . Sensors . 18 ( 5): 1429. Bibcode : 2018Senso..18.1429G . doi : 10.3390/s18051429 . PMC 5982639. PMID 29734704 .  
  30. ↑ Hoang, Duy-Tang; Kang, Hee-Jun (2019). "Diagnóstico de fallas en rodamientos de elementos rodantes mediante redes neuronales convolucionales e imágenes de vibración". Cognitive Systems Research . 53 : 42–50 . doi : 10.1016/j.cogsys.2018.03.002 . S2CID 53265827 . 
  31. ↑ Lei, Yaguo; Jia, Feng; Lin, Jing; Xing, Saibo; Ding, Steven X. (mayo de 2016). "Un método inteligente de diagnóstico de fallas que utiliza aprendizaje de características no supervisado para grandes datos mecánicos". IEEE Transactions on Industrial Electronics . 63 (5): 3137– 3147. Bibcode : 2016ITIE...63.3137L . doi : 10.1109/TIE.2016.2519325 . S2CID 2380770 . 
  32. ↑ Shao, Haidong; Jiang, Hongkai; Zhang, Xun; Niu, Maogui (1 de noviembre de 2015). "Diagnóstico de fallas en rodamientos mediante una red neuronal profunda de optimización". Measurement Science and Technology . 26 (11) 115002. Bibcode : 2015MeScT..26k5002S . doi : 10.1088/0957-0233/26/11/115002 . S2CID 123774474 . 
  33. ↑ Jia, Feng; Lei, Yaguo; Lin, Jing; Zhou, Xin; Lu, Na (mayo de 2016). "Redes neuronales profundas: una herramienta prometedora para la minería de características de fallas y el diagnóstico inteligente de maquinaria rotativa con datos masivos". Mechanical Systems and Signal Processing . 72–73 : 303–315 . Bibcode : 2016MSSP...72..303J . doi : 10.1016/j.ymssp.2015.10.025 .
Lecturas relacionadas
6 articulos
Ingeniería de controlIngeniería de controlLa ingeniería de control o ingeniería de sistemas de control o ingeniería de automatización (en algunos países europeos) es una disciplina de ingen...Fallo (tecnológico)En ingeniería , una falla es un defecto o problema en un sistema que provoca su mal funcionamiento o un comportamiento anómalo. Un ejemplo de esto ...Modelo matemáticoUn modelo matemático es una descripción abstracta de un sistema concreto utilizando conceptos y lenguaje matemático . El proceso de desarrollo de u...{\estilo de visualización A\land B}Tabla de verdadUna tabla de verdad es una tabla matemática utilizada en lógica —específicamente en conexión con el álgebra de Boole , las funciones booleanas y el...Espectro ensanchadoEspectro ensanchadoEn telecomunicaciones , especialmente en radiocomunicaciones , el espectro ensanchado es una técnica mediante la cual una señal (por ejemplo, eléct...Ingeniería MecánicaIngeniería MecánicaLa ingeniería mecánica es el estudio de las máquinas físicas que pueden implicar fuerza y ​​movimiento. Es una rama de la ingeniería que combina lo...