Resumen

El diagnóstico de daños se ha convertido en una herramienta valiosa para la gestión de activos, mejorada por los avances en tecnologías de sensores que permiten el monitoreo de sistemas y proporcionan una gran cantidad de datos para su uso en el diagnóstico del estado de salud. Sin embargo, al tratar con grandes cantidades de datos, la extracción manual de características no siempre es un enfoque adecuado, ya que es intensivo en mano de obra y requiere la intervención de expertos en el dominio con conocimientos sobre las variables relevantes que rigen el sistema y su impacto en su proceso de degradación. Para abordar estos desafíos, recientemente se han propuesto redes neuronales convolucionales (CNN) para extraer automáticamente características que representen mejor el comportamiento de degradación de un sistema, siendo una técnica prometedora y poderosa para el aprendizaje supervisado, con estudios recientes que han demostrado sus ventajas para la identificación, extracción y cuantificación de daños en la evaluación de la salud de máquinas. Aquí, proponemos

• Materias:Emisión acústica Campo de tensión Onda de sismo Diagnóstico de fallas
• Subjects:Acoustic emission Strain field Seismic wave Fault diagnosis
• Palabras claves:Diagnóstico de daños; Tecnologías de sensores; Redes neuronales convolucionales; Extracción de características; Daño estructural; Perceptrón multicapa
• Keywords:Damage diagnosis; Sensor technologies; Convolutional neural networks; Feature extraction; Structural damage; Multilayer perceptron