Resumen

El diagnóstico de fallas en motores ha ganado mucha atención por parte de la investigación académica y la industria para garantizar la fiabilidad de los motores. Generalmente, existen dos enfoques principales en la ingeniería de características para el diagnóstico de fallas en motores: (1) el aprendizaje de características tradicional, que depende en gran medida de la extracción manual de características, a menudo no puede descubrir las representaciones subyacentes importantes de los motores defectuosos; (2) las técnicas de aprendizaje profundo de vanguardia, que han mejorado en cierta medida el rendimiento diagnóstico, mientras que las características intrínsecas de caja negra y la falta de experiencia en el dominio han limitado la mejora adicional. Para cubrir esas deficiencias, en este artículo se incorporan dos enfoques de aprendizaje de características manuales en un algoritmo de aprendizaje profundo, y así se propone un nuevo marco de diagnóstico de fallas para motores de inducción trifásicos con un método de aprendizaje de características hí

• Materias:Emisión acústica Campo de tensión Onda de sismo Diagnóstico de fallas
• Subjects:Acoustic emission Strain field Seismic wave Fault diagnosis
• Palabras claves:Diagnóstico de fallas en motores; Ingeniería de características; Técnicas de aprendizaje profundo; Aprendizaje manual de características; Motores de inducción trifásicos; Marco de diagnóstico de fallas
• Keywords:Motor fault diagnosis; Feature engineering; Deep learning techniques; Manual feature learning; Three-phase induction motors; Fault diagnosis framework