Resumen

En el diagnóstico de fallas mecánicas, es imposible recopilar muestras etiquetadas masivas con la misma distribución en la industria real. El aprendizaje por transferencia, un método prometedor, suele utilizarse para abordar el problema crítico. Sin embargo, a medida que aumenta el número de muestras, la medición de discrepancia de distribución interdominio del método existente tiene una mayor complejidad computacional, lo que puede empeorar la capacidad de generalización del método. Para resolver el problema, proponemos un método de aprendizaje profundo por transferencia basado en 1D-CNN para el diagnóstico de fallas en rodamientos rodantes. Primero, se utiliza una red neuronal convolucional de una dimensión (1D-CNN), como marco básico, para extraer características de la señal de vibración. Se emplea la Alineación de Correlación (CORAL) para minimizar la discrepancia de distribución marginal entre el dominio fuente y el dominio objetivo. Luego, se utilizan la función de pérdida de entropía

• 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:Diagnóstico de fallas mecánicas; Transfer learning; 1D-CNN; Falla en rodamiento; CORAL; Señal de vibración
• Keywords:Mechanical fault diagnosis; Transfer learning; 1D-CNN; Rolling bearing fault; CORAL; Vibration signal