Resumen

La aplicación de equipos mecánicos en la fabricación se está volviendo cada vez más complicada con el desarrollo y la adopción de tecnología. Para mantener la alta fiabilidad y estabilidad de la línea de producción, es necesario reducir el tiempo de inactividad para reparaciones y la frecuencia del mantenimiento rutinario. Dado que la degradación de máquinas y componentes es inevitable, estimar con precisión la vida útil restante de los mismos es crucial. Proponemos un enfoque integrado de aprendizaje profundo con redes neuronales convolucionales y redes neuronales de memoria a largo plazo para aprender las características latentes y estimar el valor de la vida útil restante con un modelo de supervivencia profunda basado en la distribución Weibull discreta. Utilizamos el conjunto de datos de simulación de degradación del motor turbofán del conjunto de datos de simulación del Sistema Modular Aero-Propulsión Comercial proporcionado por la NASA para validar nuestro enfoque. Los resultados mejorados han demostrado que nuestro modelo propuesto puede capturar la tendencia de degradación de una falla y tiene un

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Aplicación; Equipo mecánico; Fabricación; Confiabilidad; Estabilidad; Mantenimiento
• Keywords:Application; Mechanical equipment; Manufacturing; Reliability; Stability; Maintenance