Resumen

El diagnóstico y la detección de errores se han vuelto importantes en la producción moderna debido a la importancia del equipo de hilado. Los métodos de reconocimiento de patrones de redes neuronales artificiales son ampliamente utilizados en la detección de fallas en equipos rotativos. Estos métodos a menudo necesitan una gran cantidad de datos de muestra para entrenar el modelo; sin embargo, los datos de muestra (especialmente muestras de fallas) son poco comunes en la ingeniería. El trabajo preliminar se enfoca en la reducción de la dimensionalidad para conjuntos de datos grandes utilizando métodos semisupervisados. La señal en coordenadas polares de las máquinas rotativas se utiliza para construir una estructura de red GAN. Se utilizan redes neuronales artificiales y muestras pequeñas para identificar fallas en el modelo DCGAN. Se propone una red generativa adversarial condicional en el tiempo para la identificación de defectos en señales de vibración unidimensionales bajo desequilibrio de datos. Finalmente, se recopilan muestras auxiliares en condiciones similares

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Diagnóstico de errores; Detección; Equipos rotativos; Detección de fallas; Red neuronal; Muestras pequeñas
• Keywords:Error diagnosis; Detection; Rotating equipment; Fault detection; Neural network; Small samples