Resumen

El monitoreo de condiciones y el diagnóstico de fallas del rodamiento son esenciales para el funcionamiento suave de maquinaria rotativa. En este documento, se propone un método de diagnóstico de fallas inteligente de extremo a extremo para rodamientos que combina una red neuronal convolucional unidimensional con una red de memoria a corto y largo plazo (1DCNN-LSTM) para las deficiencias de los métodos de diagnóstico de fallas existentes. En primer lugar, el método propuesto toma directamente los datos de falla unidimensionales como entrada. En segundo lugar, se utiliza una red neuronal convolucional unidimensional (1DCNN) para extraer de manera autoadaptativa características robustas de la señal original del rodamiento, y se extraen más características asegurando la validez y la prominencia de las características extraídas mediante la combinación de capas de agrupación máxima y promedio para reducir las características. Luego, se utiliza una red de memoria a corto y largo plazo (LSTM) para aprender las dependencias temporales entre las características. Por

• 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:Rodamiento; Diagnóstico de fallas; 1DCNN-LSTM; Características; Identificación de fallas; Maquinaria rotativa
• Keywords:Bearing; Fault diagnosis; 1DCNN-LSTM; Features; Fault identification; Rotating machinery