使用人工神经网络预测电机故障时间

工业界不断寻求避免纠正性维护的方法，以降低成本。执行定期的计划维护可以帮助缓解这个问题，但不一定以最有效的方式。在基于状态的维护的背景下，本工作的主要贡献在于提出了一种方法来处理和转换来自模拟电机的振动系统的数据，并构建一个数据集来训练和测试能够预测设备未来状态的人工神经网络，指明故障可能发生的时间。为了实现这个目标，构建了一个设备模型来模拟典型的电机振动，模型由计算机散热风扇和多个磁铁组成。通过加速度计进行测量，收集和处理数据以生成结构化数据集。使用此数据集进行的神经网络训练快速而稳定地收敛，而进行的测试（k折交叉验证和模型泛化）表现出了极佳的性能。对其他机器学习技术进行了相同的测试，以展示神经网络在其可泛化性方面的有效性。工作结果确认可以使用神经网络执行与工业设备状态相关的预测任务。这是一个重要的研究领域，有助于支持智能工业的发展。