O Diagnóstico de Falhas de Rolamentos é Realizado Utilizando uma Rede Neural de Cápsula Convolucional de Duplo Ramal

Atualmente, muitos métodos de diagnóstico de falhas para rolamentos baseados em aprendizado profundo enfrentam dois desafios principais. Primeiramente, o modelo de aprendizado profundo apresenta um desempenho diagnóstico ruim e capacidade de generalização limitada na presença de sinais de ruído e cargas variáveis. Em segundo lugar, há uma utilização incompleta das informações de falha e extração inadequada das características da falha, levando à baixa precisão diagnóstica do modelo. Para abordar esses problemas, este artigo propõe uma rede neural de cápsula convolucional de duplo ramal melhorada para diagnóstico de falhas em rolamentos. Este método converte os sinais de vibração do rolamento coletados em imagens em escala de cinza para construir um conjunto de dados de imagens em escala de cinza. Considerando plenamente os tipos de falhas em rolamentos e diâmetros de danos, os dados são rotulados usando um formato de dupla etiqueta. Um módulo de convolução em múltiplas escalas é introduzido para extrair características dos dados e maximizar a extração de informações de características. Além disso, um mecanismo de atenção de coordenação é incorporado a este módulo para melhor extrair características úteis do canal e aumentar a capacidade de extração de características. Com base na fusão adaptativa entre as características do tipo de falha (diâmetro de dano) e rótulos, um modelo de rede neural de cápsula convolucional de duplo ramal para diagnóstico de falhas em rolamentos é estabelecido. O modelo foi validado experimentalmente usando tanto o conjunto de dados de rolamentos da Case Western Reserve University quanto conjuntos de dados feitos em casa. Os resultados experimentais demonstram que o ramo de tipo de falha do modelo alcança uma taxa de precisão de 99,88%, enquanto o ramo de diâmetro de dano obtém uma taxa de precisão de 99,72%. Ambos os ramos apresentam excelente desempenho de classificação e exibem robustez contra interferência de ruído e condições de trabalho variáveis. Em comparação com outros modelos de algoritmo citados na literatura de referência, a capacidade diagnóstica do modelo proposto neste estudo os supera. Além disso, a capacidade de generalização do modelo é validada utilizando um conjunto de dados de laboratório auto-construído, resultando em uma taxa média de precisão de 94,25% para ambos os ramos.