La detección oportuna de condiciones de trabajo anómalas y el diagnóstico preciso de las mismas revisten gran importancia en la investigación para garantizar el funcionamiento seguro y estable de los procesos de producción metalúrgica y evitar las pérdidas causadas por los fallos. En este trabajo, se propone un modelo de red de memoria residual a largo y corto plazo y red neuronal convolucional (RESLSTM-CNN) para la detección de fallos en procesos de producción metalúrgica que soporta la detección de fallos con una precisión del 98,92 %.
INTRODUCCIÓN
Debido a la naturaleza altamente dimensional, no lineal, no gaussiana y variable en el tiempo de los datos del proceso de producción metalúrgica, resulta eficaz para la detección de fallos en los procesos de producción metalúrgica reducir los daños materiales y puede reducir la seguridad personal. Una supervisión óptima de las señales mecánicas puede ayudar a analizar con mayor eficacia el rendimiento de la máquina, lo que a su vez puede mejorar la eficiencia de la producción metalúrgica y, lo que es más importante, darnos una idea del estado de la máquina. Los fallos de los rodamientos son una de las principales causas del tiempo de inactividad de las máquinas industriales, y es importante abordar este problema con una alta fiabilidad para reducir los fallos de las máquinas.
Los métodos de detección y diagnóstico de fallos se clasifican generalmente en tres categorías: métodos basados en la experiencia de expertos, métodos basados en modelos y métodos basados en datos. El rápido desarrollo de redes neuronales profundas basadas en métodos de detección de aprendizaje superficial ya no puede satisfacer las necesidades de la detección contemporánea de fallos mecánicos en metalurgia. Con el fin de analizar exhaustivamente los datos de la señal, este trabajo propone un método de detección de fallos mecánicos (RESLSTM-CNN) utilizando un modelo clásico de red neuronal profunda. Para evaluar el rendimiento del modelo RESLSTM-CNN para la clasificación de fallos en rodamientos, este trabajo evalúa nuestro método de aprendizaje profundo en los conjuntos de datos del reto Prognostics and Health Management (PHM).
TRABAJO RELACIONADO
Debido a la naturaleza de alta dimensión, no lineal, no Gaussiana y variable en el tiempo de los datos del proceso de producción metalúrgica, es eficaz para la detección de fallas en los procesos de producción metalúrgica para reducir el daño a la propiedad y puede reducir la seguridad personal. Una supervisión óptima de las señales mecánicas puede ayudar a analizar con mayor eficacia el rendimiento de la máquina, lo que a su vez puede mejorar la eficiencia de la producción metalúrgica y, lo que es más importante, darnos una idea del estado de la máquina.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Estudio sobre la influencia del molde de ranura en el carácter de la fundición
Artículo:
Oportunidades y desafíos en la planificación de la transmisión zonal de Chile considerando particularidades del sistema de distribución
Artículo:
Modelización de la cinética de formación de ferrita idiomórfica isotérmica en un acero microaleado de vanadio-titanio de carbono medio
Artículo:
Devolatilización del cuesco de palma (Elaeis Guineensis) catalizado con sulfato ferroso estudiado por TG-MS
Artículo:
Elección de un método para predecir los resultados económicos de las empresas
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.