Características profundas e inteligentes optimizadas para el análisis de causas raíz en aplicaciones industriales

En los sistemas industriales, la efectividad operativa y la disponibilidad de las máquinas se mejoran a través del análisis de causas raíz (RCA). Típicamente, las técnicas de RCA enfrentan múltiples desafíos al manejar datos complejos y de alta dimensión de sensores y sistemas de control industrial, que a menudo luchan con la escalabilidad, la interpretabilidad y el rendimiento en tiempo real. Para mejorar la precisión y la eficiencia del RCA, esta investigación propone un nuevo sistema que incorpora características profundas e inteligentes mejoradas derivadas de CNNs eficientes junto con arquitecturas atencionales. Específicamente, el sistema propuesto extrae y clasifica características significativas en tiempo real a través de un marco de predicción mejorado de Armadillo MobileNet (AMPF). El enfoque propuesto es superior a métodos populares, como Algoritmos Genéticos, Máquinas de Aumento de Gradiente y Redes Bayesianas, en términos de precisión (96.21%), tasa de error (0.0379%) y F-score, manteniendo la eficiencia de recursos en dispositivos cerrados. Los resultados indican que la optimización de características inteligentes mejora la capacidad predictiva de los sistemas de manufactura inteligente y mejora la claridad del sistema de diagnóstico de fallas para herramientas industriales.