Resumen

El diagnóstico inteligente aplica algoritmos de aprendizaje profundo al diagnóstico de fallos mecánicos, que pueden clasificar las formas de fallo de máquinas o piezas de forma eficiente. En la actualidad, el diagnóstico inteligente de rodamientos adopta principalmente una señal de un solo sensor, y la información multisensor puede proporcionar características de fallo más completas para que el modelo de aprendizaje profundo mejore la capacidad de generalización. Para aplicar la información multisensor de forma más efectiva, este artículo propone un modelo de red neuronal convolucional multiescala basado en la agrupación de promedios globales. El modelo de diagnóstico introduce un núcleo de convolución multiescala en el proceso de extracción de características, lo que mejora la robustez del modelo. Además, su estructura paralela compensa las deficiencias del método de fusión de entradas multicanal. En el proceso de fusión multiescala, se utiliza el método de agrupación de promedios globales para sustituir la forma de remodelar los mapas de características en un vector de características unidimensional en la red neuronal convolucional tradicional, lo que conserva eficazmente la estructura espacial de los mapas de características. El modelo propuesto en este artículo se ha verificado mediante los datos de fallos de rodamientos recogidos por la plataforma experimental. Los resultados experimentales muestran que el algoritmo propuesto en este trabajo puede fusionar datos multisensor de forma efectiva. En comparación con otros algoritmos de fusión de datos, el modelo de red neuronal convolucional multiescala basado en la agrupación de promedios globales tiene épocas de entrenamiento más cortas y mejores resultados en el diagnóstico de fallos.

• 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:modelo de red neuronal convolucional multiescala, agrupación media global, artículo, mapas de características, información multisensor, mejores resultados en el diagnóstico de averías, método de agrupación media global, método de fusión de entradas multicanal, otros algoritmos de fusión de datos, red neuronal convolucional tradicional
• Keywords:multiscale convolutional neural network model, global average pooling, paper, feature maps, multisensor information, better fault diagnosis results, global average pooling method, multichannel input fusion method, other data fusion algorithms, traditional convolutional neural network