Optimización de sandpiper con un modelo de diagnóstico de fallas habilitado para aprendizaje profundo para sistemas industriales complejos

Recientemente, las tecnologías habilitadas para inteligencia artificial (IA) han sido ampliamente empleadas para aplicaciones industriales complejas. Las tecnologías de IA pueden ser utilizadas para mejorar la eficiencia y reducir la mano de obra humana en aplicaciones industriales. Al mismo tiempo, el diagnóstico de fallas (FD) y la detección en maquinaria rotativa (RM) se convierten en un campo de investigación candente para asegurar la seguridad y la calidad del producto. Numerosos estudios basados en modelos estadísticos, de aprendizaje automático (ML) y matemáticos han estado disponibles en la literatura para el diagnóstico de fallas automatizado. Desde esta perspectiva, este estudio presenta una novedosa técnica de optimización de correlimos con diagnóstico de fallas habilitado para inteligencia artificial (SPOAI-FD) para aplicaciones industriales inteligentes. El objetivo es detectar la existencia de fallas en maquinarias. El modelo propuesto implica el diseño de un enfoque de preprocesamiento basado en la transformada wavelet continua (CWT), que transforma la señal de vibración cruda en un formato útil. Además, se aplica un modelo bidireccional de memoria a corto y largo plazo (BLSTM) como clasificador, y se aplica el modelo Faster SqueezeNet como extractor de características. Para modificar los valores de hiperparámetros del modelo BLSTM, se puede utilizar el algoritmo de optimización de correlimos (SPOA), lo que muestra la novedad del trabajo. Se realizaron una amplia gama de análisis de simulación en conjuntos de datos de referencia, y los resultados destacaron la supremacía del algoritmo SPOAI-FD sobre enfoques recientes.

Autores: Al Duhayyim, Mesfer; G. Mohamed, Heba; S. Alzahrani, Jaber; Alabdan, Rana; Aziz, Amira Sayed A.; Zamani, Abu Sarwar; Yaseen, Ishfaq; Alsaid, Mohamed Ibrahim