Mecanismo de Aprendizaje Rápido con Adaptación de Dominio Cruzado para Diagnóstico Inteligente de Fallas

El modelo de diagnóstico de fallas entrenado para una máquina de caso de laboratorio no logra desempeñarse bien en las máquinas industriales que operan bajo condiciones de operación variables. Para cada nueva condición de operación de estas máquinas, se debe entrenar un nuevo modelo de diagnóstico, lo cual es un proceso que consume mucho tiempo y es poco económico. Por lo tanto, proponemos un mecanismo de aprendizaje rápido que puede transformar el modelo de diagnóstico existente en un nuevo modelo adecuado para máquinas industriales que operan en diferentes condiciones. El método propuesto utiliza la transformación Net2Net seguida de un ajuste fino para cancelar/minimizar la discrepancia media máxima entre los nuevos datos y los anteriores. El ajuste fino del modelo requiere una cantidad muy menor de muestras etiquetadas de destino y muy pocas iteraciones de entrenamiento. Por lo tanto, el método propuesto es capaz de aprender el nuevo patrón de datos de destino rápidamente. La efectividad del método de diagnóstico de fallas propuesto se ha demostrado en el conjunto de datos de la Universidad Case Western Reserve, el conjunto de datos de rodamientos de Sistemas de Mantenimiento Inteligente y el conjunto de datos de la Universidad de Paderborn bajo amplias variaciones de las condiciones de operación. Se ha validado que el modelo de diagnóstico entrenado en conjuntos de datos de fallas dañadas artificialmente puede ser utilizado para entrenar rápidamente otro modelo para un conjunto de datos de daños reales.