Resumen

Debido a que las redes de creencias profundas (DBNs) en el aprendizaje profundo tienen la capacidad de extraer información útil de los datos crudos sin conocimiento previo, las DBNs se utilizan para extraer la característica útil de las señales de vibración de los rodamientos de rodillos. A diferencia de los métodos de clasificación, el método de agrupamiento puede clasificar los diferentes tipos de fallas sin etiqueta de datos. Por lo tanto, en este documento se presenta un método basado en redes de creencias profundas (DBNs) en aprendizaje profundo (DL) y el algoritmo de agrupamiento fuzzy C-means (FCM) para el diagnóstico de fallas en rodamientos de rodillos sin etiqueta de datos. En primer lugar, las señales de vibración de los rodamientos de rodillos se extraen utilizando DBN, y luego se utiliza el análisis de componentes principales (PCA) para reducir la dimensión de las características de la señal de vibración. En segundo lugar, se seleccionan los dos primeros componentes principales (PCs) como entrada de fuzzy C-me

• Materias:Matriz acústica Ingeniería subterránea Vibración longitudinal Transmisión dinámica Fallas de rodamientos
• Subjects:Acoustic array Underground engineering Longitudinal vibration Dynamic transmission Bearing failures
• Palabras claves:Redes de creencias profundas; Aprendizaje profundo; Rodamientos de rodillos; Señales de vibración; C-means difuso; Diagnóstico de fallas
• Keywords:Deep belief networks; Deep learning; Roller bearings; Vibration signals; Fuzzy C-means; Fault diagnosis