Resumen

Con el objetivo de abordar el problema de que las complejas condiciones de trabajo afectan el efecto de la extracción manual de características en el diagnóstico de fallas en rodamientos de motores de tracción de metro, se propone un método de diagnóstico de fallas en rodamientos de motores de tracción de metro basado en un autoencoder de denoising apilado (SDAE) mejorado. Este método extrae características de falla directamente de la señal de vibración original a través del aprendizaje profundo, reduce la dependencia en la tecnología de procesamiento de señales y la experiencia en diagnóstico, y resuelve el problema del efecto insatisfactorio de extraer valores de características bajo condiciones de trabajo complejas. Se estudia el efecto de la estructura de red SDAE mejorada en la precisión del diagnóstico de fallas en rodamientos a través de experimentos, y se seleccionan los mejores parámetros de red. Los resultados de las pruebas muestran que el método propuesto puede extraer bien las características profundas de la falla en condiciones de velocidad y carga variables; al utilizar conjuntos

• 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:Extracción manual de características; Diagnóstico de fallas en rodamientos; Motor de tracción del metro; Autoencoder apilado de desruido mejorado; Aprendizaje profundo; Condiciones de trabajo complejas
• Keywords:Manual feature extraction; Bearing fault diagnosis; Metro traction motor; Improved stacked denoising autoencoder; Deep learning; Complex working conditions