Resumen

En la actualidad, el aprendizaje profundo ha conseguido grandes logros en el campo del diagnóstico de fallos en maquinaria rotativa. Pero en los escenarios prácticos de ingeniería, cuando se enfrentan a un gran número de datos sin etiquetar y condiciones de funcionamiento variables, solo utilizar un algoritmo de aprendizaje profundo puede reducir el rendimiento. Para resolver el problema anterior, este artículo utiliza un método que combina el aprendizaje de transferencia con el aprendizaje profundo. En primer lugar, se construye la red residual de contracción profunda añadiendo umbrales suaves para extraer las características de los datos de vibración de rodamientos bajo redundancia de ruido. A continuación, se utilizan el criterio de desviación media máxima conjunta (JMMD) y la red de adaptación de dominios de aprendizaje adversarial condicional (CDA) para alinear los dominios de origen y destino. Al mismo tiempo, la adición de elementos regulares de aumento semántico transferible (TSA) mejora el rendimiento de la alineación entre clases. Por último, el modelo propuesto se verifica mediante tres experimentos: carga variable, velocidad variable y ruido variable, con lo que se superan las deficiencias de los algoritmos tradicionales de aprendizaje profundo y aprendizaje de transferencia superficial.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:aprendizaje profundo, desviación media máxima conjunta, algoritmos de aprendizaje de transferencia poco profundos, diagnóstico de fallos de maquinaria, escenarios prácticos de ingeniería, aprendizaje profundo tradicional, aumento semántico transferible, condiciones de funcionamiento variables, problema anterior, rendimiento de alineación.
• Keywords:deep learning, joint maximum mean deviation, shallow transfer learning algorithms, machinery fault diagnosis, practical engineering scenarios, traditional deep learning, transferable semantic augmentation, variable operating conditions, above problem, alignment performance