Resumen

Con el rápido desarrollo de la fabricación inteligente y el Internet Industrial de las Cosas, muchos sistemas de control industrial tienen altos requisitos de seguridad del propio sistema. Las fallas de los equipos de control industrial provocarán una operación anormal de los equipos de control industrial y el desperdicio de recursos. Es muy significativo detectar e identificar a tiempo posibles anomalías y fallas en los equipos e implementar estrategias efectivas de tolerancia a fallos. En el entorno del Internet Industrial de las Cosas, las instrucciones y parámetros de los equipos de control industrial a menudo cambian debido a cambios en los requisitos reales. Sin embargo, es impráctico personalizar el método de aprendizaje para cada valor de parámetro. Para abordar este problema, este artículo propone un modelo de diagnóstico de fallas basado en el aprendizaje de conjunto y propone un método de actualización de pesos de votación basado en la programación dinámica para ayudar en la toma de decisiones. Este método se basa en la estrategia de Bagging y se combina con el método de ajuste de pesos de vot

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Desarrollo; Fabricación inteligente; Internet industrial de las cosas; Modelo de diagnóstico de fallos; Aprendizaje por conjuntos; Programación dinámica
• Keywords:Development; Intelligent manufacturing; Industrial internet of things; Fault diagnosis model; Ensemble learning; Dynamic programming