Resumen

Debido a los requisitos mejorados de seguridad, rentabilidad y confiabilidad, el diagnóstico de fallas en rodamientos utilizando señales de aceleración de vibración ha sido un área clave de investigación en las últimas décadas. Se han desarrollado muchos algoritmos de diagnóstico de fallas que pueden clasificar eficientemente las fallas bajo condiciones de velocidad constante. Sin embargo, el rendimiento de estos algoritmos tradicionales empeora con las fluctuaciones de la velocidad del eje. En los últimos años, los algoritmos de aprendizaje profundo no solo han mejorado el rendimiento de clasificación en diversas disciplinas (por ejemplo, en procesamiento de imágenes y procesamiento de lenguaje natural), sino que también han reducido la complejidad de los procesos de extracción y selección de características. En este estudio, utilizando espectros de envolvente compleja y redes neuronales profundas (DNN) basadas en autoencoders dispersos apilados (SSAE), se ha desarrollado un esquema de diagnóstico de fallas que puede superar las fluctuaciones de la velocidad del eje. El

• Materias:Matriz acústica Ingeniería subterránea Vibración longitudinal Transmisión dinámica Fallas de rodamientos
• Subjects:Acoustic array Underground engineering Longitudinal vibration Dynamic transmission Bearing failures
• Palabras claves:Diagnóstico de fallas; Rodamientos; Señales de aceleración de vibración; Algoritmos de aprendizaje profundo; Fluctuaciones de velocidad del eje; Autoencoder apilado disperso
• Keywords:Fault diagnosis; Bearings; Vibration acceleration signals; Deep learning algorithms; Shaft speed fluctuations; Stacked sparse autoencoder