Resumen

La predicción de la vida útil restante (RUL) juega un papel significativo en el desarrollo del mantenimiento basado en la condición y en la mejora de la fiabilidad y seguridad de las máquinas. Este artículo propone un esquema de predicción de vida útil restante que combina un indicador de salud basado en aprendizaje profundo y una nueva máquina de vectores de relevancia. Primero, tanto la información de series temporales unidimensionales como los mapas tiempo-frecuencia bidimensionales se introducen en una red de estructura híbrida de aprendizaje profundo que consta de una red neuronal convolucional (CNN) y una red de memoria a corto plazo (LSTM) para construir el indicador de salud (HI). Luego, los resultados de la predicción y el intervalo de confianza se calculan mediante un nuevo RVM mejorado por un modelo de regresión polinómica. El método propuesto se verifica con los conjuntos de datos de rodamientos públicos PRONOSTIA. Los resultados experimentales demuestran la efectividad del método prop

• 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:Vida útil restante; Predicción; Aprendizaje profundo; Indicador de salud; Máquina de vectores de relevancia; Mantenimiento basado en condición
• Keywords:Remaining useful life; Prediction; Deep-learning; Health indicator; Relevance vector machine; Condition-based maintenance