Resumen

Para extraer las características de series temporales de las señales originales de los rodamientos y predecir de manera más efectiva la vida útil restante (RUL), se propone una red neuronal convolucional recurrente multicanal en paralelo (PMCRCNN) para la predicción de la RUL. En primer lugar, se extraen las características en el dominio del tiempo, dominio de la frecuencia y dominio tiempo-frecuencia de la señal original. Luego, se construye el modelo PMCRCNN. El frente del modelo es la unidad de convolución multicanal en paralelo para aprender e integrar las características globales y locales de los datos de series temporales. La parte posterior del modelo es la capa de convolución recurrente para modelar la relación de dependencia temporal bajo diferentes características de degradación. Se utilizan valores de vida normalizados como etiquetas para entrenar el modelo de predicción. Finalmente, la RUL se predijo mediante la red neuronal entrenada. El método propuesto se verifica mediante pruebas de vida completa de rodamientos. La comparación con los enfoques de pronóstico existentes

• 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:Método propuesto; Características de series temporales; Vida útil restante; Modelo PMCRCNN; Red neuronal convolucional; Predicción de RUL
• Keywords:Proposed method; Time-series characteristics; Remaining useful life; PMCRCNN model; Convolutional neural network; RUL prediction