Resumen

En los sistemas mecánicos complicados, el diagnóstico de fallos, especialmente en lo que respecta a la extracción de características de múltiples sensores, sigue siendo un reto. La mayoría de los métodos existentes para la extracción de características tienden a asumir que todos los sensores tienen frecuencias de muestreo uniformes. Sin embargo, los sistemas mecánicos complejos utilizan sensores de múltiples frecuencias. Estos métodos utilizan el sobremuestreo para el preprocesamiento de datos con el fin de garantizar que todas las señales a la misma escala pueden hacer que desaparezcan ciertas características de tiempo-frecuencia. Para hacer frente a estos problemas, este trabajo propone una estrategia de fusión de información de sensores multirate (MRSIFS) para el diagnóstico de fallos multitarea. El método propuesto se basa en bloques de convolución multidimensionales que incorporan la fusión de información multifuente en la arquitectura de red neuronal convolucional (CNN). Las características con diferentes frecuencias de muestreo de las señales brutas se ejecutan a través de un marco paralelo multicanal de extracción de características de fallo para el diagnóstico de fallos. Además, se utiliza tecnología de análisis de tiempo-frecuencia para revelar información sobre fallos en la asociación entre los dominios de tiempo y frecuencia. Los resultados experimentales de la plataforma de simulación muestran que el modelo multitarea propuesto logra una mayor precisión en el diagnóstico que los métodos existentes. Además, la selección manual de características para cada tarea se hace innecesaria en MRSIFS, que tiene el potencial hacia un marco de propósito general.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:métodos, diagnóstico de averías, extracción de características, estrategia de fusión de información de sensores multirate, marco paralelo de extracción de características de averías, sistemas mecánicos complejos, sistemas mecánicos complicados, red neuronal convolucional, diferentes frecuencias de muestreo, tecnología de análisis de frecuencias
• Keywords:methods, fault diagnosis, feature extraction, multirate sensor information fusion strategy, parallel fault feature extraction framework, complex mechanical systems, complicated mechanical systems, convolutional neural network, different sampling rates, frequency analysis technology