Diagnóstico de fallos y restauración de señales de monitoreo de estructuras de barcos mediante aprendizaje automático

El Aprendizaje Automático Mejora el Monitoreo de la Salud Estructural de los Barcos

Se ha desarrollado un nuevo método de diagnóstico y restauración de fallos que utiliza el aprendizaje automático para mejorar la fiabilidad de los sistemas de monitoreo de la salud estructural de los barcos. Este enfoque tiene como objetivo mitigar el riesgo de fallos en las señales que pueden llevar a errores de juicio sobre la integridad estructural de un barco.

Análisis de Rendimiento

Para evaluar la efectividad de este método, se realizó un análisis de impacto utilizando datos de monitoreo de una prueba de modelo. Los resultados revelaron una tasa de diagnóstico superior al 98% en varias posiciones de monitoreo, lo que indica un rendimiento robusto en la detección de fallos. El método demostró una resistencia al ruido superior en comparación con algoritmos existentes como la Memoria a Largo y Corto Plazo (LSTM) y el Bosque Aleatorio.

Eficacia de Restauración

El método también sobresale en la restauración de señales. Logró reducciones significativas en el error cuadrático medio (RMSE) a través de diferentes tipos de fallos:

• Reducción del 73.86% para fallos de sesgo
• Reducción del 75.49% para fallos de deriva
• Reducción del 19.55% para fallos de impulso

Esta mejora en la eficacia de restauración subraya la capacidad del método para mejorar la estabilidad de los sistemas de monitoreo de la salud estructural de los barcos, crucial para una navegación segura.