Resumen

El diagnóstico de fallas en rodamientos mediante aprendizaje profundo es un tema de investigación candente, y un diagnóstico rápido y preciso es importante. En este documento, se propone un método de diagnóstico de fallas basado en redes neuronales convolucionales (CNN) y aprendizaje por transferencia (TL) dirigido a las muestras de imagen de vibración de rodamientos afectadas por ruido intenso. En primer lugar, se presentan cuatro tipos de métodos de generación de imágenes de vibración con diferentes características, y se obtienen las muestras de imagen de vibración pura correspondientes según los datos originales. En segundo lugar, utilizando CNN como modelo de extracción y reconocimiento de características adaptativas, se estudian las influencias de los principales parámetros sensibles de CNN en el efecto de reconocimiento de la red, como la tasa de aprendizaje, el optimizador y la regularización L1, y se determina el mejor modelo. Para obtener los parámetros de preentrenamiento, se llevan a cabo el entrenamiento y la prueba de clasificación de fallas para diferentes muestras de imagen, respectivamente

• 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:Aprendizaje profundo; Diagnóstico de fallas; Rodamientos rodantes; Red neuronal convolucional; Aprendizaje por transferencia; Imagen de vibración
• Keywords:Deep learning; Fault diagnosis; Rolling bearings; Convolutional neural network; Transfer learning; Vibration image