Resumen

El método de construcción tradicional del indicador de salud (HI, por sus siglas en inglés) de dispositivos eléctricos en redes de microredes, como rodamientos que requieren diferentes indicadores de dominio tiempo-frecuencia, necesita varios modelos para combinar. Por lo tanto, es necesario seleccionar manualmente modelos apropiados y sensibles, como indicadores de dominio tiempo-frecuencia y fusión multimodelo, para construir HIs en múltiples pasos, lo cual es más complicado debido a que las características de sensibilidad y los modelos adecuados representan mejor las tendencias de degradación de los rodamientos. En este artículo, utilizamos el modelo de autoencoder de eliminación de ruido apilado (SDAE, por sus siglas en inglés) en aprendizaje profundo para construir HI directamente a partir de las señales crudas de los equipos de energía de microredes en los rodamientos. Con este modelo, el HI se puede construir sin necesidad de combinar múltiples modelos o de tener experiencia manual en la selección de los indicadores sensibles. El SDAE puede extraer

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Indicador de salud tradicional; Dispositivos de equipos eléctricos; Redes de microredes; Indicadores de dominio tiempo-frecuencia; Autoencoder de eliminación de ruido apilado; Modelo de agrupamiento
• Keywords:Traditional health indicator; Electric equipment devices; Microgrid networks; Time-frequency domain indicators; Stacked denoising autoencoder; Cluster model