Resumen

Los métodos tradicionales de diagnóstico de fallas en rodamientos tienen procesos de operación complejos y una capacidad de generalización deficiente, mientras que la precisión del diagnóstico de las metodologías de diagnóstico inteligente existentes necesita ser mejorada. Por lo tanto, en este artículo se presenta un enfoque novedoso de diagnóstico de fallas llamado CNN-BLSTM para rodamientos, basado en la red neuronal convolucional (CNN) y la memoria a corto y largo plazo bidireccional (BLSTM). Este método toma directamente la señal de vibración cruda unidimensional recopilada como entrada y extrae de manera adaptativa la información característica a través de CNN. Luego, se utiliza BLSTM para fusionar las características extraídas y adquirir suficiente información de falla para evitar el sobreajuste del modelo. Finalmente, se utilizan dos conjuntos de datos experimentales diferentes para verificar la efectividad del método. Los resultados experimentales muestran que el modelo CNN-BLSTM propuesto puede diagnosticar con precisión la categoría de falla de los rodamientos. Ti

• 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:Tradicional; Diagnóstico de fallas en rodamientos; CNN-BLSTM; Red neuronal convolucional; Memoria a corto plazo bidireccional de largo alcance; Conjuntos de datos experimentales
• Keywords:Traditional; Bearing fault diagnosis; CNN-BLSTM; Convolutional neural network; Bidirectional long short-term memory; Experimental datasets