Resumen

Este documento presenta un modelo basado en autoencoders de eliminación de ruido apilados (SDAEs) en aprendizaje profundo y propagación de afinidad adaptativa (adAP) para el diagnóstico automático de fallas en rodamientos. En primer lugar, se utilizan SDAEs para extraer posibles características de falla y reducir directamente su alta dimensión a 3. Para demostrar que la capacidad de extracción de características de SDAEs es mejor que la de autoencoders apilados (SAEs), se emplea el análisis de componentes principales (PCA) para comparar y reducir su dimensión a 3, excepto para la capa oculta final. Por lo tanto, las características extraídas en 3 dimensiones son elegidas como entrada para los modelos de cluster de adAP. En comparación con otros métodos de cluster tradicionales, como el Fuzzy C-mean (FCM), GustafsonKessel (GK), GathGeva (GG) y la propagación de afinidad (AP), los algoritmos de cluster pueden identificar muestras de falla sin necesidad de seleccionar el

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Modelo; Autoencoders de eliminación de ruido apilados; Aprendizaje profundo; Propagación de afinidad adaptativa; Diagnóstico de falla de rodamiento; SDAEs
• Keywords:Model; Stacked denoising autoencoders; Deep learning; Adaptive affinity propagation; Bearing fault diagnosis; SDAEs