Resumen

La red neuronal es un algoritmo basado en datos; el proceso establecido por el modelo de red requiere una gran cantidad de datos de entrenamiento, lo que se traduce en un tiempo considerable dedicado al entrenamiento de los parámetros del modelo. Sin embargo, la actualización modal del sistema se produce de vez en cuando. La predicción utilizando los parámetros originales del modelo hará que la salida del modelo se desvíe mucho del valor verdadero. Los métodos tradicionales, como el descenso de gradiente y los métodos de mínimos cuadrados, están centralizados, lo que dificulta la actualización adaptativa de los parámetros del modelo en función de los cambios del sistema. En primer lugar, para actualizar de forma adaptativa los parámetros de la red, este artículo introduce la función de evaluación y ofrece un nuevo método para evaluar los parámetros de la función. El nuevo método, sin cambiar otros parámetros del modelo, actualiza algunos parámetros del modelo en tiempo real para garantizar la precisión del modelo. A continuación, basándose en la función de evaluación, se utiliza el algoritmo del Valor de Impacto Medio (MIV) para calcular el peso de la característica, y los datos ponderados se introducen en el modelo de diagnóstico de fallos establecido para el diagnóstico de fallos. Por último, la validez de este algoritmo se verifica mediante el ejemplo de simulación de la central eléctrica de ciclo combinado UCI (UCI-ccpp) del conjunto de datos estándar.

• 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:modelo, algoritmo, tiempo, función de evaluación, nuevo método, central eléctrica cíclica, valor medio de impacto, modelo de diagnóstico de fallos, métodos de mínimos cuadrados, parámetros originales del modelo
• Keywords:model, algorithm, time, evaluation function, new method, cycle power plant, mean impact value, fault diagnosis model, least squares methods, original model parameters