Resumen

Con el objetivo de abordar los problemas de la débil capacidad de generalización y el largo tiempo de entrenamiento en la mayoría de los modelos de diagnóstico de fallas basados en aprendizaje profundo, como las máquinas de vectores de soporte y los algoritmos de bosques aleatorios, se propone un método inteligente de diagnóstico de fallas en rodamientos basado en la red neuronal convolucional mejorada y la máquina de aumento de gradiente ligero. En primer lugar, se utiliza la capa de convolución para extraer las características de la señal original. En segundo lugar, se mejora la capacidad de generalización del modelo reemplazando la capa de conexión total con la capa de agrupación promedio global. Luego, las características extraídas son clasificadas por una máquina de aumento de gradiente ligero. Finalmente, se lleva a cabo el experimento de verificación, y el resultado experimental muestra que el tiempo promedio de entrenamiento y diagnóstico del modelo es de solo 39.73 segundos y 0.09 segundos, respectivamente, y la precisión promedio de clasificación del

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Modelos de diagnóstico de fallas; Aprendizaje profundo; Red neuronal convolucional; Máquina de refuerzo de gradiente ligero; Capacidad de generalización; Precisión de clasificación
• Keywords:Fault diagnosis models; Deep learning; Convolution neural network; Light gradient boosting machine; Generalization ability; Classification accuracy