Resumen

En la industria automotriz, uno de los problemas críticos es desarrollar un sistema de monitoreo de salud para la evaluación del estado y la estimación de la vida útil restante por fatiga de componentes clave que soportan carga, incluida la suspensión automotriz. Sin embargo, considerando la dificultad para obtener conocimiento experto y dinámicas no lineales en datos sensoriales a gran escala, el monitoreo de salud de la suspensión automotriz es un trabajo desafiante. Con el desarrollo de modelos de secuencias basados en aprendizaje profundo en los últimos años, se ha demostrado que una red de memoria a corto y largo plazo (LSTM) puede capturar dependencias a largo plazo en la predicción de series temporales sin conocimiento experto adicional. En este documento, se propone un novedoso sistema de monitoreo de salud basado en una red LSTM para estimar la vida útil restante por fatiga de la suspensión automotriz. Específicamente, primero se llevan a cabo pruebas de durabilidad bajo diversos ciclos de conducción para

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Desarrollando un sistema de monitoreo de salud; Suspensión automotriz; Aprendizaje profundo; Red LSTM; Estimación de la vida útil restante de la fatiga; Datos sensoriales
• Keywords:Developing health monitoring system; Automotive suspension; Deep learning; LSTM network; Remaining fatigue life estimation; Sensory data