Este trabajo presenta un método de detección y diagnóstico de fallos (FDD), que utiliza una red neuronal convolucional unidimensional (CNN 1-D) y el análisis de clustering WaveCluster para detectar y diagnosticar los fallos de los sensores en el bucle de control de la temperatura del aire de suministro (Tsup) de la unidad de tratamiento de aire. En este enfoque, se emplea una CNN 1-D para extraer características guiadas por el hombre a partir de los datos brutos, y las características extraídas se analizan mediante el clustering WaveCluster. Los fallos sospechosos de los sensores se indican y categorizan denotando clusters. Además, se introduce el procedimiento de absolución Tc para mejorar aún más la precisión del DDF. En la validación, el ratio de falsas alarmas y el ratio de diagnósticos perdidos se utilizan principalmente para demostrar la eficacia del método FDD propuesto. Los resultados muestran que los fallos abruptos de los sensores en el lazo de control Tsup pueden ser detectados y diagnosticados de forma eficiente, y el método propuesto está dotado de una buena robustez dentro del rango de ruido de 6 dBm∼13 dBm.
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:
Síntesis sin disolventes asistida por microondas del marco de imidazolato zeolítico-67
Artículo:
Importancia biotecnológica de la microbiodiversidad. Los nuevos cazadores de microbios
Artículo:
Análisis de Componentes de Entropía del Núcleo con Maximización de la Norma L1 sin necesidad de recurrir a ella
Artículo:
Preparación y caracterización de electrolito polimérico de metacrilato de glicidilo-metacrilato de metilo-LiClO4 plastificado con carbonato de etileno
Artículo:
Búsqueda multimodal de redes sociales mediante aprendizaje adversarial