Resumen

Las técnicas de aprendizaje profundo han sido ampliamente utilizadas para lograr resultados prometedores en el diagnóstico de fallas. En muchas aplicaciones reales de diagnóstico de fallas, los datos de entrenamiento etiquetados (dominio fuente) y los datos de prueba no etiquetados (dominio objetivo) tienen distribuciones diferentes debido a los frecuentes cambios en las condiciones de trabajo, lo que lleva a una degradación del rendimiento. Este estudio propone un modelo de diagnóstico de fallas de adaptación de dominio no supervisado de extremo a extremo que combina alineación de dominio y aprendizaje de características discriminativas sobre la base de una red neuronal convolucional 1D. El entrenamiento conjunto con pérdida de clasificación, pérdida discriminativa basada en centros y pérdida de alineación de correlación entre los dos dominios puede adaptar las representaciones aprendidas en el dominio fuente para su aplicación en el dominio objetivo. Este entrenamiento conjunto también puede garantizar características invariantes de dominio con buena compacidad intraclase y separabilidad interclase. M

• Materias:Análisis estructural Ingeniería subterránea Capacidad de tráfico Descomposición del modo variacional Fallas para rodamientos
• Subjects:Structural analysis Underground engineering Traffic capacity Variational mode decomposition Failures for bearings
• Palabras claves:Técnicas de aprendizaje profundo; Diagnóstico de fallas; Adaptación de dominio no supervisada; Red neuronal convolucional; Entrenamiento conjunto; Aprendizaje de características
• Keywords:Deep learning techniques; Fault diagnosis; Unsupervised domain adaptation; Convolutional neural network; Joint training; Feature learning