Robusta detección de falla temprana en rodamientos basada en aprendizaje profundo por transferencia
Autores: Mao, Wentao; Zhang, Di; Tian, Siyu; Tang, Jiamei
Idioma: Inglés
Editor: MDPI
Año: 2020
Acceso abierto
Artículo científico
2020
Robusta detección de falla temprana en rodamientos basada en aprendizaje profundo por transferencia
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Técnicas de aprendizaje automático
Detección temprana de fallas
Rodamientos de rodillos
Aprendizaje profundo de transferencia
Modelo de detección
Tasa de falsas alarmas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
En los últimos años, las técnicas de aprendizaje automático han demostrado ser una herramienta prometedora para la detección temprana de fallas en rodamientos. En muchas aplicaciones reales, sin embargo, los datos de toda la vida útil del rodamiento no son fáciles de acumular históricamente, mientras que datos insuficientes pueden resultar en el entrenamiento de un modelo de detección que no es lo suficientemente bueno. Si se utiliza los datos disponibles bajo diferentes condiciones de trabajo para facilitar el entrenamiento del modelo, la distribución de datos de diferentes rodamientos suele ser bastante diferente, lo cual no cumple con la condición previa de () y tiende a causar una reducción en el rendimiento. Además, perturbados por el ruido inestable bajo condiciones complejas, la mayoría de los métodos de detección actuales tienden a generar falsas alarmas, por lo que la confiabilidad de los resultados de detección necesita ser mejorada. Para resolver estos problemas, se propone un método robusto de detección de fallas tempranas en rodamientos basado en el aprendizaje profundo por transferencia. El método incluye una etapa fuera de línea y una etapa en línea. En la etapa fuera de línea, al introducir una red de auto-codificadores profundos con adaptación de dominio, la inconsistencia de distribución de datos en estado normal entre diferentes rodamientos puede ser debilitada, luego se obtiene la representación de características comunes del estado normal. Con las características comunes extraídas, se propone un nuevo método de evaluación de estado basado en la red robusta de auto-codificadores profundos para evaluar el límite entre el estado normal y el estado de falla temprana en el espacio de características de rango bajo. Al entrenar un clasificador de máquina de vectores de soporte, se establece el modelo de detección. En la etapa en línea, junto con la llegada secuencial de lotes de datos, las características del rodamiento objetivo se extraen utilizando la representación común aprendida en la etapa fuera de línea, y la detección en línea se lleva a cabo alimentándolas en el modelo SVM. Los resultados experimentales en el conjunto de datos de rodamientos del desafío IEEE PHM 2012 y en el conjunto de datos XJTU-SY muestran que el enfoque propuesto supera a varios métodos de detección de última generación en términos de precisión de detección y tasa de falsas alarmas.
Descripción
En los últimos años, las técnicas de aprendizaje automático han demostrado ser una herramienta prometedora para la detección temprana de fallas en rodamientos. En muchas aplicaciones reales, sin embargo, los datos de toda la vida útil del rodamiento no son fáciles de acumular históricamente, mientras que datos insuficientes pueden resultar en el entrenamiento de un modelo de detección que no es lo suficientemente bueno. Si se utiliza los datos disponibles bajo diferentes condiciones de trabajo para facilitar el entrenamiento del modelo, la distribución de datos de diferentes rodamientos suele ser bastante diferente, lo cual no cumple con la condición previa de () y tiende a causar una reducción en el rendimiento. Además, perturbados por el ruido inestable bajo condiciones complejas, la mayoría de los métodos de detección actuales tienden a generar falsas alarmas, por lo que la confiabilidad de los resultados de detección necesita ser mejorada. Para resolver estos problemas, se propone un método robusto de detección de fallas tempranas en rodamientos basado en el aprendizaje profundo por transferencia. El método incluye una etapa fuera de línea y una etapa en línea. En la etapa fuera de línea, al introducir una red de auto-codificadores profundos con adaptación de dominio, la inconsistencia de distribución de datos en estado normal entre diferentes rodamientos puede ser debilitada, luego se obtiene la representación de características comunes del estado normal. Con las características comunes extraídas, se propone un nuevo método de evaluación de estado basado en la red robusta de auto-codificadores profundos para evaluar el límite entre el estado normal y el estado de falla temprana en el espacio de características de rango bajo. Al entrenar un clasificador de máquina de vectores de soporte, se establece el modelo de detección. En la etapa en línea, junto con la llegada secuencial de lotes de datos, las características del rodamiento objetivo se extraen utilizando la representación común aprendida en la etapa fuera de línea, y la detección en línea se lleva a cabo alimentándolas en el modelo SVM. Los resultados experimentales en el conjunto de datos de rodamientos del desafío IEEE PHM 2012 y en el conjunto de datos XJTU-SY muestran que el enfoque propuesto supera a varios métodos de detección de última generación en términos de precisión de detección y tasa de falsas alarmas.