Resumen

La predicción de la vida útil restante (RUL, por sus siglas en inglés) es necesaria para garantizar la operación segura de la maquinaria. Entre las arquitecturas de aprendizaje profundo, la red neuronal convolucional (CNN, por sus siglas en inglés) ha demostrado logros en la predicción de RUL debido a su fuerte capacidad en el aprendizaje de representaciones. Las características de diferentes campos receptivos extraídas por diferentes tamaños de núcleos de convolución pueden proporcionar información completa para el pronóstico. El núcleo de convolución de un solo tamaño en la CNN tradicional es difícil de aprender información completa de señales complejas. Además, la capacidad de aprender características locales y globales de manera sincrónica está limitada en la CNN convencional. Por lo tanto, se introduce una red neuronal convolucional multiscale (MS-CNN, por sus siglas en inglés) para superar estos problemas mencionados anteriormente. Los filtros de convolución con diferentes tasas de dilatación se integran para formar un bloque de convolución dilatado

• 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; Arquitecturas de aprendizaje profundo; Red neuronal convolucional; Características; Red neuronal convolucional multiescala; Precisión de predicción
• Keywords:Remaining useful life; Deep learning architectures; Convolutional neural network; Features; Multiscale convolutional neural network; Prediction accuracy