Resumen

En escenarios industriales reales, con el uso de técnicas convencionales de aprendizaje automático, los modelos de diagnóstico basados en datos tienen una limitación, que es difícil lograr el rendimiento deseable en el diagnóstico de fallas, y la razón es que se asume que los conjuntos de datos de entrenamiento y prueba tienen las mismas distribuciones de características. Para abordar este problema, se propone un nuevo marco de diagnóstico de fallas en rodamientos basado en adaptación de dominio y selección de características preferidas, en el que el modelo entrenado con los datos etiquetados recopilados de una condición de trabajo puede aplicarse para diagnosticar nuevos datos objetivo, pero similares, recopilados de otras condiciones de trabajo. En este marco, se propone un método mejorado de adaptación de dominio, análisis de componentes de transferencia con preservación de estructura de variedad local (TCAPLMS), para reducir las diferencias en las distribuciones de datos entre diferentes conjuntos de datos de dominio y, al mismo tiempo, tener en cuenta la información de etiqueta del conjunto

• 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; Técnicas de aprendizaje automático; Diagnóstico de fallas; Adaptación de dominio; Selección de características; Análisis experimental
• Keywords:Industrial scenarios; Machine learning techniques; Fault diagnosis; Domain adaptation; Feature selection; Experimental analysis