Resumen

El modelo es difícil de establecer porque el principio del proceso de adhesión de la locomotora es complejo. Este artículo presenta un método de diagnóstico de fallos del estado de adherencia basado en datos y en la teoría del aprendizaje profundo. El coeficiente de adherencia y la velocidad de fluencia de una locomotora constituyen el vector característico. La red de aprendizaje no supervisado autoencoder disperso estudia el vector de entrada, y la red de una sola capa se superpone para formar una red neuronal profunda. Por último, se utiliza una pequeña cantidad de datos etiquetados para afinar el entrenamiento de toda la red neuronal profunda, y se establece el modelo de diagnóstico de fallos en el estado de adherencia de la locomotora. Los resultados experimentales muestran que el método propuesto puede alcanzar una precisión del 99,3% en el diagnóstico del estado de adherencia de la locomotora y satisfacer los requisitos reales de monitorización de ingeniería.

• Materias:Control del proceso Regulación automática Diagnóstico de fallos Instrumentación automática Optimización de procesos
• Subjects: Automatic regulation Fault diagnosis Automatic instrumentation Process optimization
• Palabras claves:requisitos reales de supervisión de ingeniería, método de diagnóstico de fallos del estado de adherencia, red neuronal profunda completa, precisión del diagnóstico del estado de adherencia de la locomotora, modelo de diagnóstico de fallos del estado de adherencia de la locomotora, estudios de redes de aprendizaje no supervisado, teoría del aprendizaje profundo, red neuronal profunda, proceso de adherencia de la locomotora, datos
• Keywords:actual engineering monitoring requirements, adhesion status fault diagnosis method, entire deep neural network, locomotive adhesion state diagnosis accuracy, locomotive adhesion state fault diagnosis model, unsupervised learning network studies, deep learning theory, deep neural network, locomotive adhesion process, data