Resumen

En los últimos años, la tecnología de diagnóstico inteligente de fallos con algoritmos de aprendizaje profundo se ha utilizado ampliamente en la industria, y han logrado resultados gratificantes. La mayoría de estos métodos requieren una gran cantidad de datos de entrenamiento. Sin embargo, en los sistemas industriales reales, es difícil obtener datos de muestra suficientes y equilibrados, lo que plantea desafíos en la identificación y clasificación de fallos. Para resolver estos problemas, este trabajo propone una estrategia de generación de datos basada en la red generativa adversarial de Wasserstein y la red neuronal convolucional (WG-CNN), que utiliza el generador y el discriminador para llevar a cabo el entrenamiento de confrontación, amplía un pequeño conjunto de muestras en un conjunto de datos de alta calidad, y utiliza la red neuronal convolucional unidimensional (1D-CNN) para aprender las características de las muestras y clasificar los diferentes tipos de fallos. Los resultados experimentales sobre el conjunto de datos de referencia estándar de diagnóstico de fallos de rodamientos de la Case Western Reserve University (CWRU) mostraron que el método propuesto tiene un efecto de diagnóstico de fallos obvio y satisfactorio con una precisión de clasificación del 100 % para un aprendizaje de pocos disparos. En diferentes entornos de ruido, este método también tiene un excelente rendimiento.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:red neuronal convolucional dimensional, conjunto de datos de referencia de diagnóstico de fallos, tecnología inteligente de diagnóstico de fallos, efecto satisfactorio del diagnóstico de fallos, caso estándar universidad de reserva occidental, sistemas industriales reales, datos de muestra equilibrados, red neuronal convolucional, estrategia de generación de datos, algoritmos de aprendizaje profundo
• Keywords:dimensional convolutional neural network, fault diagnosis benchmark dataset, intelligent fault diagnosis technology, satisfactory fault diagnosis effect, standard case western reserve university, actual industrial systems, balanced sample data, convolutional neural network, data generation strategy, deep learning algorithms