Aprendizado por Transferência com Redes Neurais para Diagnóstico de Falhas em Rolamentos em Condições de Trabalho Variáveis

Os algoritmos tradicionais de aprendizado de máquina alcançaram grandes avanços no diagnóstico de falhas baseado em dados. No entanto, eles assumem que todos os dados devem estar na mesma condição de trabalho e ter a mesma distribuição e espaço de características. Eles não são aplicáveis às condições de trabalho do mundo real, que frequentemente mudam com o tempo, tornando os dados difíceis de obter. Para utilizar dados em diferentes condições de trabalho para melhorar o desempenho, este artigo apresenta uma abordagem de aprendizado por transferência para diagnóstico de falhas com redes neurais. Primeiramente, ele aprende características de grandes volumes de dados fonte e ajusta os parâmetros das redes neurais de acordo. Em segundo lugar, a estrutura das redes neurais altera-se com a mudança da distribuição dos dados. Ao mesmo tempo, alguns parâmetros são transferidos da tarefa fonte para a tarefa alvo. Finalmente, o novo modelo é treinado com uma pequena quantidade de dados alvo em outra condição de trabalho. O conjunto de dados de rolamentos da Case Western Reserve University é utilizado para validar o desempenho da abordagem de aprendizado por transferência proposta. Os resultados experimentais mostram que a abordagem de aprendizado por transferência proposta pode melhorar a precisão da classificação e reduzir o tempo de treinamento em comparação com o método convencional de rede neural, quando há apenas uma pequena quantidade de dados alvo.