En el proceso de operación de maquinaria rotativa se acompaña de una gran cantidad de ruido. El problema existente en el proceso de diagnóstico de fallas en maquinaria rotativa con redes de un solo canal es la baja resistencia al ruido. Se propone un modelo de red neuronal convolucional de doble canal Let Net-5 con un mecanismo en paralelo. El proceso de verificación del modelo utiliza el conjunto de datos de rodamientos de la Universidad Case Western Reserve. Sobre esta base, se agrega ruido blanco gaussiano con una relación señal/ruido de –10 dB para simular situaciones de ruido reales. Se realiza una transformada de Fourier de corto tiempo para procesar los datos de vibración del ventilador y el extremo de accionamiento del motor eléctrico, y se transfieren imágenes de tiempo-frecuencia al modelo de red neuronal convolucional de doble canal Let Net-5 para entrenamiento y aprendizaje. Los resultados de la investigación muestran que el modelo de red neuronal convolucional de doble canal Let Net-5 puede capturar bien las características de falla en entornos de ruido intenso. En comparación con el modelo de fusión de características de múltiples escalas, el modelo de red neuronal con entradas acopladas multimodales, el modelo de vecinos más cercanos y árboles de decisión tradicionales y el modelo de red neuronal convolucional de un solo canal Let Net-5, el modelo de red neuronal convolucional de doble canal Let Net-5 tiene una eficiencia y precisión más altas.

Diagnóstico de fallas; Vibración; Aprendizaje profundo; Doble canal; Ruido