Resumen

De acuerdo con las características unidimensionales de la señal de vibración, este documento propone un método de monitoreo de fallas en la operación del elevador basado en una red neuronal convolucional unidimensional (1-DCNN). Puede resolver los problemas de los métodos tradicionales de monitoreo de fallas en elevadores que requieren procesos de extracción de características complejas y una gran cantidad de experiencia diagnóstica. Debido a que el campo de monitoreo de fallas en elevadores tiene menos información de fallas, es diferente de la situación de muestra grande en el campo de reconocimiento facial. Con el objetivo de abordar el problema de las muestras pequeñas, este documento primero preprocesa las señales de vibración del elevador a través de la descomposición en valores singulares (SVD) y la transformada wavelet, luego utiliza la transformada wavelet para extraer características de energía wavelet de las señales de vibración originales, y luego utiliza el PCA para reducir los datos de características a la dimensión con una tasa de contribución acumulativa mayor al 85%. Al reducir

• 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:Ascensor; Monitoreo de fallas; Red neuronal convolucional; Transformada wavelet; PCA; Reducción de dimensionalidad
• Keywords:Elevator; Fault monitoring; Convolutional neural network; Wavelet transform; PCA; Dimensionality reduction