Resumen

La extracción y selección de características tradicional es un proceso laborioso que requiere conocimientos expertos de las características relevantes pertinentes al sistema. Este conocimiento a veces es un lujo y podría introducir incertidumbre y sesgo adicionales a los resultados. Para abordar este problema se propone una metodología habilitada por aprendizaje profundo sin características para aprender automáticamente las características de los datos. Representaciones tiempo-frecuencia de los datos en bruto se utilizan para generar representaciones de imagen de la señal en bruto, las cuales luego se introducen en una arquitectura de red neuronal convolucional profunda (CNN) para clasificación y diagnóstico de fallas. Esta metodología se aplicó a dos conjuntos de datos públicos de señales de vibración de rodamientos de elementos rodantes. Se exploraron tres métodos de análisis tiempo-frecuencia (transformada de Fourier de tiempo corto, transformada de ondícula y transformada de Hilbert-Huang) por su efectividad de representación. La arquitectura de CNN propuesta logra mejores resultados con menos parámetros aprendibles que arquitecturas

• Materias:Control de vibraciones Correlación de Vibraciones Sistema de amortiguación Aceleración vibratoria Detección de fallas
• Subjects:Vibration control Vibration Correlation Damping System Vibration Acceleration Fault Detection
• Palabras claves:Tradicional; Extracción de características; Aprendizaje profundo; Representaciones tiempo-frecuencia; Red neuronal convolucional; Diagnóstico de fallas
• Keywords:Traditional; Feature extraction; Deep learning; Time-frequency representations; Convolutional neural network; Fault diagnosis