Resumen

En la era del big data, los métodos basados principalmente en el aprendizaje profundo han sido ampliamente utilizados en el campo del diagnóstico de fallas inteligente. Las redes neuronales tradicionales tienden a ser más subjetivas al clasificar los gráficos de tiempo-frecuencia de falla, como la capa de agrupación, e ignoran la relación de ubicación de las características. La red neuronal recientemente propuesta llamada red de cápsulas tiene en cuenta el tamaño y la ubicación de la imagen. Inspirado en esto, la red de cápsulas combinada con el módulo Xception (XCN) se aplica en el diagnóstico de fallas inteligente, con el fin de mejorar la precisión de clasificación del diagnóstico de fallas inteligente. En primer lugar, los gráficos de tiempo-frecuencia de falla se obtienen mediante análisis de tiempo-frecuencia de wavelet. Luego, los datos de los gráficos de tiempo-frecuencia que se ajustan al tamaño de píxel se introducen en XCN para el entrenamiento. Para acelerar la tasa de aprend

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Datos grandes; Aprendizaje profundo; Red de cápsulas; Módulo Xception; Diagnóstico de fallas; Gráficos tiempo-frecuencia
• Keywords:Big data; Deep learning; Capsules network; Xception module; Fault diagnosis; Time-frequency graphs