Resumen

Con el objetivo de abordar el problema del diagnóstico temprano de fallas en rodamientos, se propone un método de detección temprana de fallas en rodamientos basado en una red neuronal convolucional multiscalar y una red de unidades recurrentes con mecanismo de atención (MCNN-AGRU). Este método primero introduce múltiples señales de vibración de rodamientos en diferentes escalas temporales en la red neuronal convolucional para entrenar el modelo a través de un procesamiento de datos multiscalar, y luego agrega la red de unidades recurrentes con un mecanismo de atención para hacer que el modelo sea predictivo. Finalmente, el error de reconstrucción entre el valor real y el valor predicho se utiliza para detectar la falla temprana. Los datos de entrenamiento de este método son únicamente datos normales. La detección temprana de fallas en el monitoreo de condiciones de operación y la evaluación de degradación de rendimiento del rodamiento se resuelve de manera efectiva. Se utiliza un método de procesamiento de datos multiscalar para hacer que las características extraídas por

• 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:Diagnóstico de fallas; Rodamiento de rodillos; Detección temprana de fallas; Red neuronal convolucional; Red de unidades recurrentes con compuerta; Mecanismo de atención
• Keywords:Fault diagnosis; Rolling bearing; Early fault detection; Convolutional neural network; Gated recurrent unit network; Attention mechanism