Resumen

La detección oportuna de condiciones de trabajo anómalas y el diagnóstico preciso de las mismas revisten gran importancia en la investigación para garantizar el funcionamiento seguro y estable de los procesos de producción metalúrgica y evitar las pérdidas causadas por los fallos. En este trabajo, se propone un modelo de red de memoria residual a largo y corto plazo y red neuronal convolucional (RESLSTM-CNN) para la detección de fallos en procesos de producción metalúrgica que soporta la detección de fallos con una precisión del 98,92 %.

INTRODUCCIÓN

Debido a la naturaleza altamente dimensional, no lineal, no gaussiana y variable en el tiempo de los datos del proceso de producción metalúrgica, resulta eficaz para la detección de fallos en los procesos de producción metalúrgica reducir los daños materiales y puede reducir la seguridad personal. Una supervisión óptima de las señales mecánicas puede ayudar a analizar con mayor eficacia el rendimiento de la máquina, lo que a su vez puede mejorar la eficiencia de la producción metalúrgica y, lo que es más importante, darnos una idea del estado de la máquina. Los fallos de los rodamientos son una de las principales causas del tiempo de inactividad de las máquinas industriales, y es importante abordar este problema con una alta fiabilidad para reducir los fallos de las máquinas.

Los métodos de detección y diagnóstico de fallos se clasifican generalmente en tres categorías: métodos basados en la experiencia de expertos, métodos basados en modelos y métodos basados en datos. El rápido desarrollo de redes neuronales profundas basadas en métodos de detección de aprendizaje superficial ya no puede satisfacer las necesidades de la detección contemporánea de fallos mecánicos en metalurgia. Con el fin de analizar exhaustivamente los datos de la señal, este trabajo propone un método de detección de fallos mecánicos (RESLSTM-CNN) utilizando un modelo clásico de red neuronal profunda. Para evaluar el rendimiento del modelo RESLSTM-CNN para la clasificación de fallos en rodamientos, este trabajo evalúa nuestro método de aprendizaje profundo en los conjuntos de datos del reto Prognostics and Health Management (PHM).

TRABAJO RELACIONADO

Debido a la naturaleza de alta dimensión, no lineal, no Gaussiana y variable en el tiempo de los datos del proceso de producción metalúrgica, es eficaz para la detección de fallas en los procesos de producción metalúrgica para reducir el daño a la propiedad y puede reducir la seguridad personal. Una supervisión óptima de las señales mecánicas puede ayudar a analizar con mayor eficacia el rendimiento de la máquina, lo que a su vez puede mejorar la eficiencia de la producción metalúrgica y, lo que es más importante, darnos una idea del estado de la máquina. 

• Materias:Tecnología metalúrgica Industria metalúrgica Detección de fallas Detección de Anomalías
• Subjects:Metallurgical technology Metal trade Fault Detection Anomaly Detection
• Palabras claves:Producción metalúrgica; Detección de fallas; Rodamiento; Modelo de red de método
• Keywords:Metallurgical production; Fault detection; Bearing; Method network model