Resumen:El diagnóstico inteligente de fallas (IFD) se ha convertido en un poderoso paradigma para garantizar la seguridad y confiabilidad de la maquinaria industrial. Sin embargo, los métodos tradicionales de IFD dependen en gran medida de abundantes datos etiquetados para la capacitación, que a menudo son difíciles de obtener en entornos industriales prácticos. Por lo tanto, la construcción de un gemelo digital (DT) del activo físico para obtener datos de simulación se ha convertido en una alternativa prometedora. Sin embargo, los métodos de diagnóstico asistido por DT existentes transfieren principalmente conocimientos de diagnóstico a través de técnicas de adaptación de dominio, que aún requieren una cantidad considerable de datos sin etiquetar del activo objetivo. Para abordar los desafíos en escenarios de pocas tomas donde solo hay muestras extremadamente limitadas disponibles, se propone un método de anclaje de prototipo de DT bidireccional con aprendizaje de periodicidad múltiple. Específicamente, se construye un marco que involucra metaentrenamiento en el espacio virtual DT y adaptación del tiempo de prueba en el espacio físico para una adaptación confiable del modelo de pocos disparos para el activo objetivo. Se sigue desarrollando una estrategia de anclaje de prototipo bidireccional de doble dominio con aumento guiado por covarianza para la adaptación para mejorar la solidez de la estimación del prototipo. Además, un módulo de aprendizaje de características de multiperiodicidad está diseñado para capturar las características periódicas intrínsecas dentro de las señales actuales. Se construye un DT de un motor asíncrono basándose en el método de elementos finitos y los experimentos se llevan a cabo en múltiples configuraciones de pocos disparos y tres condiciones de trabajo. Los estudios comparativos y de ablación demuestran la superioridad y eficacia del método propuesto para el diagnóstico de fallas de pocos disparos.
Publicado originalmente en export.arxiv.org el 9 de marzo de 2026.
Ver fuente original
