Resumen

Este trabajo presenta un método de detección y diagnóstico de fallos (FDD), que utiliza una red neuronal convolucional unidimensional (CNN 1-D) y el análisis de clustering WaveCluster para detectar y diagnosticar los fallos de los sensores en el bucle de control de la temperatura del aire de suministro (Tsup) de la unidad de tratamiento de aire. En este enfoque, se emplea una CNN 1-D para extraer características guiadas por el hombre a partir de los datos brutos, y las características extraídas se analizan mediante el clustering WaveCluster. Los fallos sospechosos de los sensores se indican y categorizan denotando clusters. Además, se introduce el procedimiento de absolución Tc para mejorar aún más la precisión del DDF. En la validación, el ratio de falsas alarmas y el ratio de diagnósticos perdidos se utilizan principalmente para demostrar la eficacia del método FDD propuesto. Los resultados muestran que los fallos abruptos de los sensores en el lazo de control Tsup pueden ser detectados y diagnosticados de forma eficiente, y el método propuesto está dotado de una buena robustez dentro del rango de ruido de 6 dBm∼13 dBm.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:red neuronal convolucional, ratio de falsas alarmas, fallo abrupto del sensor, métodos de fdd propuestos, bucle de control tsup, precisión de fdd, unidad de tratamiento de aire, fallo sospechoso del sensor, suministros de temperatura del aire, características guiadas
• Keywords:convolutional neural network, false alarm ratio, abrupt sensor fault, proposed fdd methods, tsup control loop, accuracy of fdd, air handling unit, suspicious sensor fault, supplies air temperature, guided features