Resumen

Las señales de vibración de la caja de cambios bajo diferentes cargas son sensibles a la existencia de la falla y las señales de vibración de falla compuesta son complejas. Los métodos tradicionales de diagnóstico de fallas principalmente se basan en métodos de procesamiento de señales. Es difícil para los métodos de procesamiento de señales separar la información efectiva de esas señales de falla. Por lo tanto, los métodos tradicionales de diagnóstico de fallas son difíciles de identificar con precisión esas fallas. En este documento, se propone un método de diagnóstico inteligente de red neuronal convolucional unidimensional (1-D CNN) con función SoftMax mejorada. La descomposición local media (LMD) descompone las señales en diferentes funciones físicas (PF). Las PF se introducen en la entropía de muestra de matriz basada en la distancia euclidiana (MESE), y se seleccionan las PF que mejor reflejan las características de la falla. Finalmente, las PF por MESE se utilizan para entrenar la CNN para identificar las fallas

• 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:Señales de vibración; Caja de cambios; Diagnóstico de fallas; Red neuronal convolucional; Función SoftMax; Descomposición de la media local
• Keywords:Vibration signals; Gearbox; Fault diagnosis; Convolutional neural network; SoftMax function; Local mean decomposition