Resumen

Las señales de vibración de maquinaria rotativa son no estacionarias y no lineales bajo condiciones de operación complicadas. Es significativo extraer características óptimas de la señal cruda y proporcionar resultados precisos de diagnóstico de fallas. Con el fin de resolver el problema no lineal, se propone un método de extracción de características profundas mejorado basado en la función de kernel de base radial gaussiana y el autoencoder (AE). En primer lugar, se emplea la función de kernel para mejorar la capacidad de aprendizaje de características, y se diseña un nuevo AE denominado AE de kernel (KAE). Posteriormente, se construye una red neuronal profunda con un KAE y múltiples AEs para extraer características inherentes capa por capa. Finalmente, se adopta softmax como clasificador para identificar con precisión diferentes fallas en los rodamientos, y se utiliza el algoritmo de retropropagación del error para ajustar finamente los parámetros del modelo. Se utilizan datos de vibración del rodamiento intermedio del motor de aeronaves para verificar el método. Los resultados confirman que

• Materias:Matriz acústica Ingeniería subterránea Vibración longitudinal Transmisión dinámica Fallas de rodamientos
• Subjects:Acoustic array Underground engineering Longitudinal vibration Dynamic transmission Bearing failures
• Palabras claves:Maquinaria rotativa; Señales de vibración; Diagnóstico de fallas; Extracción de características profundas; Función de kernel de base radial gaussiana; Autoencoder
• Keywords:Rotating machinery; Vibration signals; Fault diagnosis; Deep feature extraction; Gaussian radial basis kernel function; Autoencoder