Enfoque basado en aprendizaje profundo para el diagnóstico de fallas en rodamientos

El rodamiento es uno de los componentes más críticos en la mayoría de los sistemas eléctricos y de potencia. Un diagnóstico eficaz de fallas en rodamientos es importante para mantener los sistemas eléctricos y de potencia seguros y funcionando normalmente. En la era de Internet de las Cosas y de la Industria 4.0, se recopilan grandes cantidades de datos en tiempo real a partir de sistemas de monitoreo de la salud de los rodamientos. Los grandes datos mecánicos tienen las características de gran volumen, diversidad y alta velocidad. Hay dos problemas principales al usar los métodos existentes para el diagnóstico de fallas en rodamientos con grandes datos. Las características se extraen manualmente confiando en mucho conocimiento previo sobre técnicas de procesamiento de señales y experiencia diagnóstica, y los modelos utilizados tienen arquitecturas poco profundas, limitando su capacidad en el diagnóstico de fallas. Extraer eficazmente características de grandes datos e identificar con precisión las condiciones de salud del rodamiento con nuevos métodos avanzados se ha convertido en nuevos problemas. Este documento presenta un enfoque basado en aprendizaje profundo para el diagnóstico de fallas en rodamientos. El enfoque presentado preprocesa las señales de los sensores utilizando la transformada de Fourier de corto tiempo (STFT). Basado en una matriz de espectro simple obtenida por STFT, se construye una estructura de aprendizaje profundo optimizada, llamada red neuronal de recuperación de almacenamiento de memoria grande (LAMSTAR), para diagnosticar las fallas en los rodamientos. Se utilizan señales de emisión acústica adquiridas de un banco de pruebas de rodamientos para validar el método presentado. Los resultados de la validación muestran un rendimiento de clasificación preciso sobre varias fallas en rodamientos bajo diferentes condiciones de trabajo. El rendimiento del método presentado también se compara con otros métodos eficaces de diagnóstico de fallas en rodamientos reportados en la literatura. Los resultados de la comparación han mostrado que el método presentado ofrece un rendimiento diagnóstico mucho mejor, incluso a velocidades de rotación relativamente bajas.