Resumen

Los rodamientos son una de las piezas más importantes de una máquina rotativa. Los fallos en los rodamientos pueden provocar averías mecánicas, pérdidas económicas e incluso lesiones personales. En los últimos años, se han utilizado diversas técnicas de aprendizaje profundo para diagnosticar fallos de rodamientos en máquinas rotativas. Sin embargo, la tecnología de aprendizaje profundo tiene un problema de desequilibrio de datos porque requiere enormes cantidades de datos. Para resolver este problema, utilizamos técnicas de aumento de datos. Además, la red neuronal convolucional, uno de los modelos de aprendizaje profundo, es un método capaz de realizar el aprendizaje de características sin conocimiento previo. Sin embargo, dado que el diagnóstico de fallos convencional basado en CNN solo puede extraer características de escala única, no solo puede perderse información útil, sino que también pueden producirse problemas de cambio de dominio. En este artículo, proponemos una red neuronal convolucional multiescala (MSCNN) para extraer características más potentes y diferenciadas de las señales en bruto. La MSCNN puede aprender una expresión de características más potente que la CNN convencional a través de la operación de convolución multiescala y reducir el número de parámetros y el tiempo de entrenamiento. El modelo propuesto demostró mejores resultados y validó la eficacia del modelo en comparación con 2D-CNN y 1D-CNN.

• 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:cnn, red neuronal convolucional multiescala, diversas técnicas de aprendizaje profundo, red neuronal convolucional, diagnóstico convencional de fallos, técnicas de aumento de datos, problema de desequilibrio de datos, modelos de aprendizaje profundo, problemas de cambio de dominio, operación de convolución multiescala
• Keywords:cnn, multiscale convolutional neural network, various deep learning techniques, convolutional neural network, conventional fault diagnosis, data augmentation techniques, data imbalance problem, deep learning models, domain shift problems, multiscale convolution operation