Resumen

La detección temprana de eventos de falla a través de la operación de sistemas electromecánicos es uno de los desafíos de datos más atractivos y críticos en la industria moderna. Aunque estos sistemas electromecánicos tienden a experimentar fallas típicas, un evento común es que durante la operación pueden presentarse fallas inesperadas y desconocidas. Sin embargo, los modelos actuales para la detección automática pueden aprender nuevas fallas a costa de olvidar conceptos previamente aprendidos. Este artículo presenta un marco de aprendizaje incremental multiclase (MCIL) basado en una red neuronal convolucional (CNN) de 1D para la detección de fallas en motores de inducción. El marco presentado aborda el problema del olvido almacenando un conjunto representativo de ejemplares de datos pasados (fallas conocidas) en la memoria. Luego, la CNN de 1D se ajusta sobre el conjunto de ejemplares seleccionado y datos de nuevas fallas. Las muestras de prueba se clasifican utilizando un clasificador de centroide más cerc

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Detección; Eventos de falla; Sistemas electromecánicos; Aprendizaje incremental; Red neuronal convolucional; Motores de inducción
• Keywords:Detection; Fault events; Electromechanical systems; Incremental learning; Convolutional neural network; Induction motors