Resumen

La escasez de datos anormales conduce a datos desequilibrados en el campo del monitoreo de las condiciones de desgaste de herramientas. En este documento, se propone una nueva red generativa adversarial de múltiples índices (MI-GAN) para detectar las condiciones de desgaste de herramientas sujetas a datos de señales desequilibrados. En primer lugar, el generador en el MI-GAN se entrena para producir señales normales falsas, y el discriminador calcula las puntuaciones de las señales de prueba y las señales generadas. A continuación, el generador detecta las señales anormales basándose en el rendimiento de la imitación de las señales de prueba, y el discriminador calculará las puntuaciones de las señales de prueba y las señales generadas. Posteriormente, se proponen dos índices, es decir, -norma y coeficiente de correlación temporal (CORT), para medir la similitud entre las señales generadas y las señales de prueba. Finalmente, nuestra función de toma de decisiones combina -

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Escasez; Datos anormales; Datos desequilibrados; Monitoreo de las condiciones de desgaste de la herramienta; Red generativa adversaria; MI-GAN
• Keywords:Scarcity; Abnormal data; Imbalanced data; Monitoring tool wear conditions; Generative adversarial network; MI-GAN