Autoencoders apilados de eliminación de ruido multinivel: Un nuevo enfoque de aprendizaje de representación para el diagnóstico de fallas en cajas de engranajes de turbinas eólicas

Actualmente, el análisis de vibraciones se ha considerado ampliamente como una forma efectiva de cumplir con la tarea de diagnóstico de fallas de cajas de engranajes en turbinas eólicas (WTs). Sin embargo, las señales de vibración suelen tener un ruido abundante y se caracterizan por su no linealidad y no estacionariedad. Por lo tanto, es bastante difícil extraer características robustas y útiles de fallas de señales de vibración complejas para lograr un diagnóstico preciso y confiable. Este artículo propone un nuevo enfoque de aprendizaje de representación de características, llamado autoencoders apilados de eliminación de ruido multinivel (SMLDAEs), con el objetivo de aprender representaciones de características de fallas robustas y discriminativas a través de una arquitectura de red profunda para mejorar la precisión del diagnóstico. En nuestro enfoque propuesto, diseñamos un esquema de entrenamiento MLD, que utiliza múltiples niveles de ruido para entrenar AEs. Esto permite aprender patrones de características de fallas más generales y detallados simultáneamente a diferentes escalas a partir de los espectros de frecuencia complejos de los datos de vibración en bruto, y por lo tanto ayuda a mejorar la capacidad de aprendizaje de características y diagnóstico de fallas. Además, el diagnóstico de fallas basado en SMLDAE se realiza con un procedimiento de aprendizaje de representación no supervisado seguido de un proceso de ajuste fino supervisado con información de etiquetas para la clasificación. Nuestro enfoque se evalúa utilizando los datos de vibración del campo recogidos de un banco de pruebas de caja de engranajes de WT de diseño propio. Los resultados muestran que nuestro enfoque propuesto aprendió representaciones de características de fallas más robustas y discriminativas y logró la mejor precisión de diagnóstico en comparación con los enfoques tradicionales.