Predicción de Fallas Motrices Basada en Redes Neuronales Convolucionales de Grafos con Minería de Asociación de Señales

Las señales de vibración se utilizan a menudo para analizar y reconocer los caracteres de las fallas que se verifican en el funcionamiento de motores de inducción. En la actualidad, el método de procesamiento de datos de fallas se basa principalmente en el juicio y análisis de expertos, y el costo de procesamiento es alto. En los últimos años, se han utilizado modelos de procesamiento de datos de fallas en motores de inducción con métodos de aprendizaje profundo en tareas de diagnóstico de fallas de motores de inducción. En el estudio, se propone un tipo de algoritmo de aprendizaje profundo de red neuronal convolucional de grafos basado en el aumento de atención de múltiples cabezas para determinar el tipo de falla de motores de inducción utilizando datos de fallas en series de tiempo. El método propuesto, en primer lugar, obtiene la representación de características de secuencia temporal extendida, codifica los datos del nodo de falla de entrada al utilizar una red neuronal convolucional de grafos y finalmente realiza la clasificación del tipo de falla obtenida del motor de inducción a través de una red neuronal recurrente y una capa no lineal. Los resultados experimentales correspondientes mostraron que el enfoque propuesto podría lograr un rendimiento competitivo en ciertos conjuntos de datos.