Resumen

Los estudios actuales sobre el diagnóstico de fallas en rodamientos inteligentes basados en aprendizaje por transferencia han sido fructíferos. Sin embargo, estos métodos se centran principalmente en el diagnóstico de fallas por transferencia de rodamientos en diferentes condiciones de trabajo. En la práctica de la ingeniería, a menudo es difícil o incluso imposible obtener una gran cantidad de datos etiquetados de algunas máquinas, y un método de diagnóstico inteligente entrenado con datos etiquetados de una máquina puede no ser capaz de clasificar datos no etiquetados de otras máquinas, lo que dificulta en gran medida la aplicación de estos métodos de diagnóstico inteligente en ciertas industrias. En este estudio, se propuso un método de aprendizaje profundo por transferencia para el diagnóstico de fallas en rodamientos, las redes adversarias de reconstrucción de separación de dominio (DSRAN), para el diagnóstico de fallas por transferencia entre máquinas. En DSRAN, se utilizan extractores de características de diferencia de dominio e invariantes de dominio para

• 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:Estudios; Diagnóstico inteligente de fallas en rodamientos; Transfer learning; DSRAN; Redes adversariales de reconstrucción de separación de dominios; Redes generativas adversariales
• Keywords:Studies; Intelligent bearing fault diagnosis; Transfer learning; DSRAN; Domain separation reconstruction adversarial networks; Generative adversarial networks