August 11, 2025

Método de Diagnóstico de Fallas para el Rodamiento del Eje del Sistema de Transmisión de Vehículos Basado en GAN de Doble Discriminador y Modelo Conv-KAN

Puntos clave

El método propuesto mejora la precisión del diagnóstico de fallas en los rodamientos de eje al abordar problemas de desbalance de datos.
Los resultados experimentales muestran un aumento del puntaje F1 del 26.09% a una relación de desbalance de 1:100 utilizando DD-GAN y Conv-KAN.
Utilizando una estrategia de aumento de datos, DD-GAN genera muestras de alta calidad, mejorando significativamente el entrenamiento del modelo.
El enfoque aprovecha técnicas avanzadas de aprendizaje profundo para extraer características espaciales, mostrando su efectividad.

Resumen

Resumen Para abordar la baja precisión en el diagnóstico de fallas de los rodamientos de eje en sistemas de transmisión de vehículos bajo datos desbalanceados, se propone un método de diagnóstico de fallas basado en la Red Generativa Adversarial de Doble Discriminador (DD-GAN) y la Red de Kolmogorov-Arnold de Convolución (Conv-KAN). DD-GAN consta de dos discriminadores, un generador y un mecanismo de agregación de pérdidas. Los discriminadores tienen arquitecturas distintas, con uno incorporando un mecanismo de atención para mejorar la discriminación de características locales. El mecanismo de agregación de pérdidas equilibra los resultados de ambos discriminadores, evitando que la optimización del generador sea dominada por uno. Conv-KAN, basado en la Red de Kolmogorov-Arnold (KAN), captura relaciones complejas y no lineales en datos de alta dimensión. Al adaptar KAN para simular operaciones similares a la convolución, Conv-KAN mejora la extracción de características espaciales a partir de los datos de entrada, mejorando la precisión del diagnóstico de fallas. El flujo de trabajo del método implica convertir las señales de vibración originales de los rodamientos en imágenes de tiempo-frecuencia, aumentando los datos desbalanceados utilizando DD-GAN a niveles normales, y luego entrenando el modelo Conv-KAN en el conjunto de datos aumentado para el diagnóstico de fallas. Los experimentos muestran que DD-GAN genera muestras de alta calidad de señales de rodamientos, con un valor de FID un 69% menor que WGAN-GP. Cuando la relación de desbalance es 1:100, el método propuesto logra un puntaje F1 un 26.09% superior al WGAN-GP con CNN. A una relación de 1:200, el puntaje F1 mejora en un 31.44%. Estos resultados experimentales validan de manera integral la superioridad del método de diagnóstico de fallas basado en DD-GAN y Conv-KAN, demostrando su efectividad para abordar el problema de la baja precisión en el diagnóstico de fallas en rodamientos de eje del sistema de transmisión de vehículos bajo condiciones de datos desbalanceados.

Me gusta

Guardar