En el campo de la fabricación inteligente basada en el Internet de las cosas, el reconocimiento de series temporales de galgas extensiométricas (SGS) es fundamental. Una identificación precisa permite la detección oportuna de componentes mecánicos defectuosos, evitando accidentes potenciales.
Las secuencias de carga y descarga generadas por las galgas extensiométricas pueden ser identificadas a través de algoritmos de clasificación de series temporales (TSC). En este sentido, los modelos de aprendizaje profundo, como las redes neuronales convolucionales (CNN), han demostrado un éxito notable en esta tarea, ya que pueden extraer características locales discriminativas de las subsecuencias para identificar las series temporales.
Sin embargo, se ha observado que las características locales pueden no ser suficientes para expresar completamente las series temporales, especialmente cuando las subsecuencias locales entre diferentes series temporales son muy similares. En este contexto, las CNN pueden enfrentar limitaciones en la extracción de características globales debido a la naturaleza de las operaciones de convolución.
Para superar estas limitaciones y extraer características globales que representen de manera más completa las series temporales de SGS, se propone un marco de mejora y fusión de características globales basado en hipergrafos. Este marco aprende y fusiona características globales para mejorar la representación de las series temporales de SGS y, en última instancia, aumentar la precisión en su reconocimiento.
Este enfoque se ha validado en entornos industriales y en conjuntos de datos públicos, demostrando una mejor generalización para datos no vistos en el reconocimiento de SGS. Si buscas implementar soluciones tecnológicas personalizadas para tu empresa, Q2BSTUDIO ofrece servicios de desarrollo de aplicaciones a medida y soluciones de inteligencia artificial, entre otros servicios especializados. Para más información, visita su sitio web sobre desarrollo de aplicaciones a medida.
