Resumen

Los rodamientos siempre sufren de defectos en la superficie, como arañazos, manchas negras y hoyos. Estos defectos superficiales tienen grandes efectos en la calidad y vida útil de los rodamientos. Por lo tanto, la detección de defectos en los rodamientos siempre ha sido el foco del control de calidad de los rodamientos. El aprendizaje profundo se ha aplicado con éxito a la detección de objetos debido a su excelente rendimiento. Sin embargo, es difícil realizar la detección automática de defectos en la superficie de los rodamientos basada en el aprendizaje profundo basado en datos debido a la escasez de datos de muestras de defectos en los rodamientos en la línea de producción real. Se adopta un algoritmo de preprocesamiento de muestras basado en la simetría normalizada de la muestra de rodamiento para aumentar significativamente el número de muestras. Se prueban dos redes neuronales convolucionales diferentes, redes supervisadas y redes no supervisadas, por separado para la detección de defectos en los rodam

• 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:Rodamientos; Defectos superficiales; Aprendizaje profundo; Detección; Redes neuronales; AUC
• Keywords:Bearings; Surface defects; Deep learning; Detection; Neural networks; AUC