Propõe-se um novo método de monitoramento da saúde de plataformas de estações de compressão marítimas para aprimorar sua capacidade de detecção de danos sob condições operacionais complexas. Utiliza-se uma estrutura de aprendizado profundo baseada em autoencoder com unidade de memória, ampliando características relacionadas a falhas por meio de redução de ruído e reamostragem no domínio angular dos dados de vibração de alta frequência da estação de compressão marítima. O modelo emprega uma rede neural convolucional profunda para aprender padrões de dados históricos, constrói um banco de memória de estados ocultos e realiza um pareamento esparso entre as características codificadas das amostras e o banco de memória. Por fim, um modelo probabilístico de mistura gaussiana é adotado para modelar as pontuações de pertencimento geradas, avaliando o estado de saúde da estação de compressão. O método foi validado com a estação de compressão marítima no condado de Rudong, Jiangsu, alcançando taxa de recall e precisão de anomalias superiores a 98%, superando outros algoritmos comparativos.

Plataforma da estação de compressão marítima;Monitoramento da saúde;Reamostragem no domínio angular;Unidade de memória;Autoencoder profundo