Este artículo propone un marco de aprendizaje por transferencia de dos etapas guiado por conocimiento para abordar los desafíos del diagnóstico de fallos en rodamientos que involucran heterogeneidad de conjuntos de datos, variaciones en las condiciones de operación y datos etiquetados limitados. El enfoque utiliza un Transformador ligero estilo GPT-2 con autoatención causal para la extracción jerárquica de características a partir de señales de vibración.
El marco establece vías explícitas donde los pesos del codificador preentrenado y las incrustaciones de prototipos de fallos sirven como portadores de conocimiento desde el preentrenamiento multifuente hasta la adaptación al objetivo. Aborda el desafío del doble desplazamiento mediante aprendizaje multifuente para representaciones generalizables, modulación de conocimiento basada en prototipos para la adaptación al objetivo y clasificación adaptativa a la taxonomía para una transferencia fluida entre categorías de fallos heterogéneas.
La validación experimental en cuatro conjuntos de datos del mundo real demuestra una precisión promedio del 92.61% con solo el 10% de datos etiquetados del objetivo, superando a los métodos más avanzados en 17.24 puntos porcentuales.