Resumen

Se ha propuesto un nuevo método de diagnóstico de fallos en los componentes del motor de turbina de gas basado en una máquina de aprendizaje extremo multicapa con estructura optimizada (OM-ELM). OM-ELM emplea la optimización de enjambre de partículas con comportamiento cuántico para obtener automáticamente la estructura óptima de la red según el error cuadrático medio en el conjunto de datos de entrenamiento y la norma de los pesos de salida. El método propuesto se aplica a un conjunto de datos de reconocimiento de escritura a mano y a una aplicación de diagnóstico de motores de turbina de gas, y se compara con el ELM básico, el ELM multicapa y dos algoritmos de aprendizaje profundo de última generación: la red de creencia profunda y el autoencoder de eliminación de ruido apilado. Los resultados muestran que, con una estructura de red optimizada, OM-ELM obtiene una mejor precisión de las pruebas en ambas aplicaciones y es más robusto al ruido del sensor. Al mismo tiempo, controla la complejidad del modelo y necesita muchos menos nodos ocultos que el ELM multicapa, lo que permite ahorrar memoria del ordenador y hace que su implementación sea más eficiente. Todas estas ventajas hacen que nuestro método sea una herramienta eficaz y fiable para el diagnóstico de fallos en los componentes del motor.

• Materias:Minería de datos Aerodinámica Cinemática Vehículo espacial Vehículo
• Subjects:Data mining Aerodynamics Kinematics Space vehicles Automobiles
• Palabras claves:motor de turbina de gas, diagnóstico de averías de componentes, olmo de capa, datos de reconocimiento manuscritos, red de creencias profundas, algoritmo de aprendizaje profundo, estructura de red óptima, máquina de aprendizaje extremo, mejor precisión de la prueba, error cuadrático medio
• Keywords:gas turbine engine, components fault diagnosis, layer elm, handwritten recognition data, deep believes network, deep learning algorithm, optimal network structure, extreme learning machine, better test accuracy, means square error