# Detección de anomalías en motores de aeronaves con autocodificadores: análisis de patentes de Honeywell Un autocodificador es una red neuronal que aprende, sin supervisión, una representación codificada de los datos y la utiliza para reconstruir una salida lo más parecida posible a la entrada. Source: https://www.iplexlaw.co.kr/es/blog/881215 INICIO / Noticias y análisis Noticias y análisis Detección de anomalías en motores de aeronaves con autocodificadores: análisis de patentes de Honeywell Un autocodificador es una red neuronal que aprende, sin supervisión, una representación codificada de los datos y la utiliza para reconstruir una salida lo más parecida posible a la entrada. IA y software Publicado el 2023.07.07 IPLEX 4 min de lectura Un autocodificador es una red neuronal que aprende, sin supervisión, una representación codificada de los datos y la utiliza para reconstruir una salida lo más parecida posible a la entrada. El autocodificador sólo puede producir datos cercanos a los datos de entrada que el modelo ha observado durante el entrenamiento, y producir los datos de entrada y los datos remotos si se introducen los datos que no se observan durante el entrenamiento. Los encoders automáticos se utilizan a menudo para la detección de anomalías. En este post, introduciremos la patente de Honeywell relacionada con "cómo detectar errores del motor usando encoders auto". Si hace clic en la imagen, puede ver la patente. La reivindicación de patente 1 1. Un sistema de detección de fallas para detectar fallas en un motor de turbina, el sistema de detección de fallas que comprende: una red neural de codificación, la red neural de codificación que recibe datos de sensores del motor de la turbina, la red neural de codificación creando pluralidad de partituras de los datos del sensor, la pluralidad de partituras que comprenden una representación espacial de características reducidas de los datos del sensor; donde la red de codificación se entrena con una función objetiva utilizando datos históricos de sensores, donde la función objetiva incluye una suma de componentes de varianza y una suma de componentes de covariancia, y donde la red neural de codificación se entrena con la función objetiva maximizando la suma de componentes de varianzas y minimizando la suma de componentes de covariancia; y una red neural decodificadora, la red neural decodificadora que recibe la pluralidad de las puntuaciones y crea una estimación reconstruida de los datos del sensor. Los sistemas tradicionales de detección de errores del motor realizaron la detección de errores basándose en la relación lineal entre las variables del sistema, por lo que no fueron eficaces para detectar errores en sistemas no lineales. Además, los datos del sensor del motor de turbina del avión tenían una relación no lineal, lo que dificultaba la detección del fracaso del motor de turbina de la aeronave con sistemas tradicionales de detección de fallas del motor. La presente invención pretende resolver estos problemas. Según la patente 1, cuando los datos del sensor del motor de la turbina del avión son de entrada a la red neuronal de codificación, una pluralidad de puntuaciones incluyendo una representación espacial reducida de los datos del sensor son de salida. La red neuronal de decodificación recibe varias puntuaciones para generar una estimación reconstruida de los datos del sensor. Como resultado, la estructura de red descrita en la reivindicación de patente 1 es un autocodificador. En la reivindicación de patente 1, el método de formación de la red neural de codificación se describe con más detalle. Según la reivindicación de patente 1, la red neural de codificación capacita los datos de historia (datos de entrenamiento) como función de destino, donde se describe la función objetiva como formación para maximizar la suma de los componentes distribuidos y minimizar la suma de los componentes covariados. Por otro lado, según la presente invención, se determina que hay un error en la diferencia entre la entrada de datos a la red neural de codificación y la salida de datos de la red neural de decodificación. Este es un contenido común que detecta anomalías (errores) usando un autocodificador. La patente que vimos en este post es una técnica utilizada para detectar la falla del motor de turbina, que limita el dominio a la reivindicación de patente. Si, sin esta limitación de dominio, la red neural de codificación recibe los datos y produce una pluralidad de puntajes, incluyendo la reducción de la representación espacial y la red neural decodificación produce los datos estimados asociados con los datos de entrada que han recibido una pluralidad de puntuaciones, entonces no hay duda de que podría haber tenido una mayor gama de derechos. En caso de solicitud de patente relacionada con la tecnología de IA, es muy importante escribir una reivindicación de patente para que tenga la más amplia gama de derechos posibles. Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Yongduck Kim imparte formación en propiedad intelectual para empresas del Centro de Apoyo Empresarial de Nuevo Contenido ↗ Anterior Fábricas inteligentes y pronóstico del estado de robots: análisis de patentes de ABB ↗ Artículos relacionados IA y software 2026.10.01 FiX: olvido selectivo por características en la atención softmax Yongduck Kim analiza las compuertas de FiX, su estabilidad numérica y la caché paginada, diferenciando los resultados medidos de las cuestiones aún abiertas. ↗ Lea el artículo IA y software 2026.09.30 MHAR: leer las capas anteriores desde distintos subespacios de características Yongduck Kim analiza Multi-Head Attention Residuals: selección en profundidad, resultados publicados, costes de implementación y relación entre características técnicas y efectos. ↗ Lea el artículo IA y software 2026.09.28 Columna: Claude Computer Use y el aprendizaje de los agentes de IA a través de las patentes Yongduck Kim, socio director de IPLEX, analiza en AI Times los datos y las secuencias de acciones que permiten entrenar a agentes de IA para utilizar software. ↗ Lea el artículo - https://www.iplexlaw.co.kr/es - https://www.iplexlaw.co.kr/es/blog/category/ai - https://drive.google.com/file/d/1kae6e2Xc5lW3Z47s32ElHxauZNcsw8Dw/view - https://www.iplexlaw.co.kr/forum/view/881215 - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog - https://www.iplexlaw.co.kr/es/contact - https://www.iplexlaw.co.kr/es/blog/891537 - https://www.iplexlaw.co.kr/es/blog/879758 - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/es/blog/claude-computer-use-agent-patent