Resumen

El diagnóstico de fallas juega un papel muy importante en garantizar el funcionamiento seguro y confiable de las máquinas. Actualmente, el diagnóstico de fallas basado en aprendizaje profundo está atrayendo cada vez más atención. Sin embargo, el diagnóstico de fallas bajo condiciones de trabajo variables ha sido un desafío significativo debido al problema de discrepancia de dominio. Este problema también es inevitable en los métodos de diagnóstico de fallas basados en aprendizaje profundo. Este artículo contribuye a la investigación en curso proponiendo un nuevo enfoque para el diagnóstico de fallas bajo condiciones de trabajo variables basado en STFT y transfer deep residual network (TDRN). El STFT se empleó para convertir la señal de vibración en una imagen tiempo-frecuencia como entrada del TDRN. Para abordar el problema de discrepancia de dominio, se desarrolló el TDRN en este artículo. A diferencia de los métodos tradicionales de red neuronal convolucional profunda (DCNN), al combinarlo con transfer learning, el TDRN puede establecer un puente entre dos condiciones de

• Materias:Análisis estructural Ingeniería subterránea Capacidad de tráfico Descomposición del modo variacional Fallas para rodamientos
• Subjects:Structural analysis Underground engineering Traffic capacity Variational mode decomposition Failures for bearings
• Palabras claves:Aprendizaje profundo; Diagnóstico de fallas; Condiciones de trabajo variables; Aprendizaje por transferencia; TDRN; Precisión de clasificación
• Keywords:Deep learning; Fault diagnosis; Variable working conditions; Transfer learning; TDRN; Classification accuracy