Este trabajo presenta un método de detección y diagnóstico de fallos (FDD), que utiliza una red neuronal convolucional unidimensional (CNN 1-D) y el análisis de clustering WaveCluster para detectar y diagnosticar los fallos de los sensores en el bucle de control de la temperatura del aire de suministro (Tsup) de la unidad de tratamiento de aire. En este enfoque, se emplea una CNN 1-D para extraer características guiadas por el hombre a partir de los datos brutos, y las características extraídas se analizan mediante el clustering WaveCluster. Los fallos sospechosos de los sensores se indican y categorizan denotando clusters. Además, se introduce el procedimiento de absolución Tc para mejorar aún más la precisión del DDF. En la validación, el ratio de falsas alarmas y el ratio de diagnósticos perdidos se utilizan principalmente para demostrar la eficacia del método FDD propuesto. Los resultados muestran que los fallos abruptos de los sensores en el lazo de control Tsup pueden ser detectados y diagnosticados de forma eficiente, y el método propuesto está dotado de una buena robustez dentro del rango de ruido de 6 dBm∼13 dBm.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Diseño y análisis de un micromezclador basado en difusión laminar con chip microfluídico
Artículo:
Construcción de un nuevo escenario didáctico inteligente basado en la tecnología de detección inalámbrica multimodal
Artículo:
Desarrollo de un revestimiento transparente para mejorar la capacidad de autolimpieza y la resistencia del papel convencional
Artículo:
Combinación del ruido cognitivo de los usuarios con algoritmos genéticos interactivos y números difusos trapezoidales para el diseño de colores de productos
Artículo:
Efectos del polarón y del confinamiento cuántico en las propiedades ópticas no lineales de un alambre de pozo cuántico de GaAs/ Ga 1 - x Al x As