Resumen

Presentamos un marco de predicción para estimar la vida útil restante (RUL) del equipo basado en la red de imputación adversarial generativa (GAIN) y la red neuronal convolucional profunda multisensorial y memoria a corto y largo plazo (MSDCNN-LSTM). El método que proponemos aborda el problema de los datos faltantes causados por fallas en los sensores en aplicaciones de ingeniería. En primer lugar, se utiliza una matriz binaria para ajustar la proporción de 0 y simular la cantidad de datos faltantes en el entorno de ingeniería. Luego, se utiliza el modelo GAIN para imputar los datos faltantes y aproximar la verdadera distribución de muestras. Finalmente, se utiliza el modelo MSDCNN-LSTM para la predicción de RUL. Se realizan experimentos en el conjunto de datos de simulación del sistema modular de aero-propulsión comercial (C-MAPSS) para validar el método propuesto. Los resultados de la predicción muestran que el método propuesto supera a otros métodos cuando ocurre pérdida

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Marco de predicción; Vida útil restante; Equipo; Red de imputación generativa adversaria; Datos faltantes; Fallas en los sensores
• Keywords:Prediction framework; Remaining useful life; Equipment; Generative adversarial imputation net; Missing data; Sensor failures