Resumen

El principal desafío del diagnóstico de fallas radica en encontrar buenas características de falla. Una red de aprendizaje profundo tiene la capacidad de aprender automáticamente buenas características a partir de datos de entrada de manera no supervisada, y su preentrenamiento único por capas y ajuste fino utilizando la estrategia de retropropagación puede resolver las dificultades de entrenar redes profundas de múltiples capas. Los autoencoders apilados dispersos u otras arquitecturas profundas han mostrado un excelente rendimiento en reconocimiento de voz, reconocimiento facial, clasificación de texto, reconocimiento de imágenes y otros dominios de aplicación. Hasta ahora, sin embargo, ha habido muy pocos estudios de investigación sobre aprendizaje profundo en el diagnóstico de fallas. En este documento, se propone por primera vez un nuevo método de diagnóstico de falla en rodamientos basado en la transformada de Fourier de corto tiempo y un autoencoder disperso apilado; este método analiza señales de sonido. Después de obtener espectrogramas mediante la transformada de Fourier de corto tiempo, se emplea un

• Materias:Degradación acelerada Fatiga estructural Proceso de compresión Metodología de detección Movimiento caótico
• Subjects:Accelerated degradation Structural fatigue Compression process Detection methodology Chaotic motion
• Palabras claves:Diagnóstico de fallas; Red de aprendizaje profundo; Autoencoder apilado y disperso; Transformada de Fourier de tiempo corto; Características de falla; Señales de vibración
• Keywords:Fault diagnosis; Deep learning network; Stacked sparse autoencoder; Short-time Fourier transform; Fault features; Vibration signals