Resumen

En los escenarios industriales actuales, la mayoría de los enfoques existentes de diagnóstico de fallas se enfrentan a dos desafíos: datos de entrenamiento etiquetados insuficientes y divergencias de distribución entre los conjuntos de datos de entrenamiento y prueba. Para abordar los problemas mencionados, en este artículo se propone un nuevo enfoque de diagnóstico de fallas transferible en maquinaria rotativa basado en un autoencoder profundo y selección de características dominantes. En primer lugar, se aplica la transformación discreta de paquetes de onda con superposición máxima para el procesamiento de señales y la extracción de características estadísticas en dominios mixtos. En segundo lugar, se propone la selección de características dominantes mediante puntuación de importancia y diferencias entre dominios para seleccionar características dominantes con alta capacidad discriminativa de fallas e invarianza de dominio. Luego, las características dominantes seleccionadas se utilizan para preentrenar el autoencoder profundo (modelo fuente), lo que ayuda a mejorar la capacidad representativa de fallas de las características profund

• 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:Escenarios industriales; Enfoques de diagnóstico de fallas; Datos de entrenamiento etiquetados; Divergencias de distribución; Maquinaria rotativa; Autoencoder profundo
• Keywords:Industrial scenarios; Fault diagnosis approaches; Labeled training data; Distribution divergences; Rotating machinery; Deep autoencoder