Disentangle-and-aggregate feature learning (DAFNet) para el diagnóstico de fallos en rodamientos de motores

Área de la Ciencia:

• Ingeniería
• Ciencias de la computación
• Inteligencia artificial

Sus antecedentes:

• Las redes neuronales convolucionales (CNN) tradicionales enfrentan desafíos con la redundancia de parámetros y la baja eficiencia computacional debido al aumento de la profundidad de la red.
• La implementación de modelos de aprendizaje profundo en dispositivos de borde con recursos limitados para el diagnóstico de fallos en rodamientos de motores sigue siendo un obstáculo importante.

Objetivo del estudio:

• Proponer una red de aprendizaje profundo eficiente, la Red de Aprendizaje de Características de Desenredo y Agregación (DAFNet), para el diagnóstico de fallos en rodamientos de motores.
• Superar las limitaciones de las CNN tradicionales en términos de eficiencia computacional y redundancia de parámetros para aplicaciones industriales.

Principales métodos:

• DAFNet emplea un novedoso mecanismo jerárquico de desenredo y agregación, que va más allá del simple apilamiento de capas.
• Se utiliza una estrategia de división secundaria para desenredar características superficiales, medias y profundas.
• Se utiliza la fusión de características terminales para una representación efectiva de la información de fallos.

Principales resultados:

• DAFNet logró una precisión promedio del 100 % en el diagnóstico de fallos en rodamientos de motores en el conjunto de datos CWRU.
• El método propuesto reduce significativamente la sobrecarga computacional y el recuento de parámetros en comparación con las CNN tradicionales.
• DAFNet demuestra un rendimiento de generalización y una velocidad de inferencia superiores en comparación con los modelos ligeros convencionales.

Conclusiones:

• DAFNet ofrece una solución eficiente y precisa para el diagnóstico de fallos en rodamientos de motores, adecuada para dispositivos de borde.
• El enfoque jerárquico de desenredo y agregación proporciona una nueva base teórica para el aprendizaje profundo eficiente en sistemas integrados industriales.