Se propone un nuevo método de monitorización de la salud de plataformas de estaciones de compresión en el mar para mejorar su capacidad de detección de daños bajo condiciones complejas de operación. Se utiliza un marco de aprendizaje profundo basado en un autoencoder con unidad de memoria, que amplifica las características relacionadas con fallos mediante la eliminación de ruido y remuestreo en el dominio angular de los datos de vibración de alta frecuencia de la estación de compresión en el mar. El modelo emplea una red neuronal convolucional profunda para aprender patrones de datos históricos, construye una base de memoria de estados ocultos y realiza una coincidencia dispersa entre las características codificadas de las muestras y la base de memoria. Finalmente, se utiliza un modelo probabilístico de mezcla gaussiana para modelar las puntuaciones de pertenencia generadas y evaluar el estado de salud de la estación de compresión. El método fue validado con la estación de compresión en el mar en el condado de Rudong, Jiangsu, logrando una tasa de recuperación y precisión de anomalías superior al 98 %, superando a otros algoritmos comparativos.

Plataforma de estación de compresión en el mar;Monitorización de la salud;Remuestreo en el dominio angular;Unidad de memoria;Autoencoder profundo