Resumen

Con el continuo progreso de la industria moderna, la maquinaria rotativa se está desarrollando gradualmente hacia la complejidad y la inteligencia. La tecnología de diagnóstico de fallas de la maquinaria rotativa es uno de los principales medios para garantizar el funcionamiento normal del equipo y la producción segura, lo cual tiene una importancia muy significativa. El aprendizaje profundo es una herramienta útil para analizar y procesar grandes volúmenes de datos, que ha sido ampliamente utilizado en diversos campos. Tras una breve revisión de los métodos de diagnóstico de fallas tempranos, este documento se centra en los modelos de métodos que son ampliamente utilizados en el aprendizaje profundo: redes de creencias profundas (DBN), autoencoders (AE), redes neuronales convolucionales (CNN), redes neuronales recurrentes (RNN), redes generativas adversariales (GAN) y métodos de transferencia de aprendizaje se resumen desde dos aspectos: principio y aplicación en el campo del diagnóstico de fallas de maquinaria rotativa. Luego, se resumen los indic

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Progreso; Maquinaria rotativa; Tecnología de diagnóstico de fallas; Aprendizaje profundo; Modelos de métodos; Indicadores de evaluación
• Keywords:Progress; Rotating machinery; Fault diagnosis technology; Deep learning; Method models; Evaluation indicators