Un enfoque de inicialización de pesos de red neuronal para diagnosticar fallos en los rodamientos interejes de motores de aeronaves reales
Autores: Berghout, Tarek; Bentrcia, Toufik; Lim, Wei Hong; Benbouzid, Mohamed
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un enfoque de inicialización de pesos de red neuronal para diagnosticar fallos en los rodamientos interejes de motores de aeronaves reales
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Aprendizaje profundo
Fallos en rodamientos de motores de aeronaves
Mantenimiento predictivo
Preprocesamiento de datos
Agrupamiento k-means
Memoria a corto y largo plazo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
El diagnóstico de fallos en los rodamientos de motores de aeronaves mediante aprendizaje profundo permite un mantenimiento predictivo rentable, al tiempo que desempeña un papel importante en el aumento de la seguridad, fiabilidad y eficiencia de las operaciones aéreas. Debido a las condiciones de operación altamente dinámicas y severas de este sistema, tal modelado es un desafío debido a la complejidad y deriva de los datos, lo que dificulta la revelación de patrones de fallo. Como resultado, el objetivo de este estudio es dual. Para comenzar, se proporciona una estrategia de preprocesamiento de datos altamente estructurada que abarca extracción, eliminación de ruido, eliminación de valores atípicos, escalado y balanceo para resolver la complejidad de los datos que reside específicamente en los problemas de valores atípicos, ruido y desequilibrio de datos. Se utilizan estadísticas de brecha bajo agrupamiento k-means para evaluar los resultados del preprocesamiento, proporcionando una estimación cuantitativa del número ideal de clústeres y, por lo tanto, mejorando las representaciones de datos. Esta es la primera vez, hasta donde saben los autores, que se ha empleado tal criterio para un paso importante en una validación de verdad de terreno preliminar en aprendizaje supervisado. Además, para abordar los problemas de deriva de datos, se utilizan características de aprendizaje adaptativo de memoria a largo y corto plazo (LSTM) y se someten a un método de mejora de parámetros de aprendizaje utilizando inicialización de pesos recursivos (RWI) a través de varias rondas. La fuerza de tal metodología se puede ver al aplicarla a datos realistas, extremadamente nuevos, complejos y dinámicos recopilados de un banco de pruebas real. La validación cruzada de un modelo de capa LSTM única con solo 10 neuronas muestra su capacidad para mejorar el rendimiento de clasificación en un 7.7508% sobre los resultados de última generación, obteniendo una precisión de clasificación del 92.03 +/- 0.0849%, lo que representa un rendimiento excepcional en tal referencia.
Descripción
El diagnóstico de fallos en los rodamientos de motores de aeronaves mediante aprendizaje profundo permite un mantenimiento predictivo rentable, al tiempo que desempeña un papel importante en el aumento de la seguridad, fiabilidad y eficiencia de las operaciones aéreas. Debido a las condiciones de operación altamente dinámicas y severas de este sistema, tal modelado es un desafío debido a la complejidad y deriva de los datos, lo que dificulta la revelación de patrones de fallo. Como resultado, el objetivo de este estudio es dual. Para comenzar, se proporciona una estrategia de preprocesamiento de datos altamente estructurada que abarca extracción, eliminación de ruido, eliminación de valores atípicos, escalado y balanceo para resolver la complejidad de los datos que reside específicamente en los problemas de valores atípicos, ruido y desequilibrio de datos. Se utilizan estadísticas de brecha bajo agrupamiento k-means para evaluar los resultados del preprocesamiento, proporcionando una estimación cuantitativa del número ideal de clústeres y, por lo tanto, mejorando las representaciones de datos. Esta es la primera vez, hasta donde saben los autores, que se ha empleado tal criterio para un paso importante en una validación de verdad de terreno preliminar en aprendizaje supervisado. Además, para abordar los problemas de deriva de datos, se utilizan características de aprendizaje adaptativo de memoria a largo y corto plazo (LSTM) y se someten a un método de mejora de parámetros de aprendizaje utilizando inicialización de pesos recursivos (RWI) a través de varias rondas. La fuerza de tal metodología se puede ver al aplicarla a datos realistas, extremadamente nuevos, complejos y dinámicos recopilados de un banco de pruebas real. La validación cruzada de un modelo de capa LSTM única con solo 10 neuronas muestra su capacidad para mejorar el rendimiento de clasificación en un 7.7508% sobre los resultados de última generación, obteniendo una precisión de clasificación del 92.03 +/- 0.0849%, lo que representa un rendimiento excepcional en tal referencia.