Detección de fallos de red de CA en cargadores en placa, lo que permite la detección por Edge AI con una precisión del 95 %

Hay dos métodos principales para recopilar conjuntos de datos para la detección de fallos de red:

1) Utilizar dispositivos comerciales de monitoreo de red

• El enfoque más fácil debido a que los dispositivos recopilan e informan de forma automática datos de la red durante eventos adversos. Nuestro conjunto de datos proporcionado se obtuvo mediante este método

2) Utilizar convertidores conectados a la red

• Implementan el mismo convertidor que ejecutará el algoritmo de detección finalmente 
• Operan en modo conectado a la red durante períodos prolongados

Identificación y etiquetado correctos de los intervalos de eventos anómalos

La clasificación de los fallos en la red de CA presenta importantes desafíos debido a lo siguiente:

• Alta diversidad en las características de los fallos entre los conjuntos de datos
• Ausencia de clases de fallos estandarizadas
• Necesidad de priorizar los fallos relevantes para el funcionamiento del cargador integrado (OBC)

Para superar estos desafíos, se desarrolló una técnica patentada de anotación semisupervisada que combina los siguientes aspectos:

• Anotación de expertos humanos que aprovecha la experiencia del dominio para identificar patrones de fallos críticos
• Agrupación jerárquica no supervisada
• Agrupación automática de patrones de fallos similares
• Ayuda a identificar categorías naturales en los datos

La calidad de la anotación se evalúa rigurosamente mediante técnicas de visualización de reducción de la dimensionalidad, lo que permite verificar una separación clara entre las clases de fallos y ayuda a identificar posibles clasificaciones erróneas o casos ambiguos.

Este enfoque híbrido garantiza que las categorías de fallos sean tanto técnicamente significativas para el funcionamiento del OBC como estadísticamente distinguibles en los datos.

Con su conjunto de datos listo, explore, entrene y evalúe modelos con el tinyML Model Zoo de TI 

Acceda a nuestra biblioteca de modelos de series temporales genéricos optimizados, escalables en términos de rendimiento y potencia.

Para este caso de uso, consulte el modelo en el tinyML Model Zoo de TI  en Ejemplos → Detección de fallos de red.

Comience con nuestras herramientas de línea de comandos, nuestro tinyml-modelzoo alberga un conjunto más extenso y flexible de herramientas de desarrollo de modelos, que incluyen Traiga sus propios datos (BYOD) o  Traiga su propio modelo (BYOM)