Redes neuronales ligeras con ruido anticromático para el diagnóstico de fallos en rodamientos mediante convolución...

Área de la Ciencia:

• Ingeniería
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El diagnóstico práctico de fallos en rodamientos enfrenta desafíos como el ruido, la degradación del rendimiento y la lentitud.
• Los métodos existentes pueden tener dificultades con las condiciones del mundo real y la eficiencia.

Objetivo del estudio:

• Desarrollar modelos de redes neuronales ligeras eficientes y resistentes al ruido para el diagnóstico de fallos en rodamientos.
• Evaluar las capacidades de diagnóstico y aprendizaje por transferencia de estos modelos en condiciones variables.

Principales métodos:

• Se desarrollaron tres modelos de redes neuronales profundas convolucionales ligeras (MobileNet-DLCNN, ShuffleNet-DLCNN, SqueezeNet-DLCNN) utilizando convoluciones separables en profundidad.
• Se añadió ruido de color a los conjuntos de datos de fallos de rodamientos (CWRU, MFPT) para el entrenamiento de resistencia al ruido.
• Se evaluaron experimentos comparativos de precisión diagnóstica, velocidad y adaptabilidad del aprendizaje por transferencia.

Principales resultados:

• SqueezeNet-DLCNN demostró el mejor rendimiento diagnóstico, logrando una precisión del 97 % en aproximadamente un minuto.
• Los modelos ligeros propuestos mostraron una fuerte resistencia al ruido y adaptabilidad a diferentes conjuntos de datos y condiciones de trabajo.
• Los tres modelos exhibieron ventajas en resistencia al ruido, eficiencia y velocidad en comparación con los métodos de referencia.

Conclusiones:

• Las redes neuronales profundas convolucionales ligeras, en particular SqueezeNet-DLCNN, ofrecen una solución prometedora para el diagnóstico de fallos en rodamientos eficiente y preciso.
• Los modelos desarrollados son robustos contra la interferencia del ruido y adaptables a diversos escenarios operativos.
• Los hallazgos resaltan el potencial de estos modelos para aplicaciones de ingeniería prácticas que requieren una detección de fallos rápida y fiable.