Resumen

Con el objetivo de abordar los problemas de la escasa capacidad de autoadaptación en los métodos tradicionales de extracción de características y la débil capacidad de generalización en un solo clasificador bajo grandes volúmenes de datos, se propone un método de Red de Creencias Profundas (DBN, por sus siglas en inglés) optimizado internamente en sus parámetros basado en el algoritmo de optimización de saltamontes (GOA). En primer lugar, se toma el Error Cuadrático Medio Mínimo (RMSE) en el entrenamiento de la red como función de aptitud, en la cual se utiliza GOA para buscar la combinación óptima de parámetros de DBN. Después, se seleccionan adecuadamente la tasa de aprendizaje y el número de aprendizaje en lotes en DBN, los cuales tienen una gran influencia en el error de entrenamiento. Al mismo tiempo, se proporciona la distribución estructural óptima de DBN a través de la comparación. Luego, se introducen FFT y normalización lineal para procesar la señal de vibración original de la c

• Materias:Análisis estructural Ingeniería subterránea Capacidad de tráfico Descomposición del modo variacional Fallas para rodamientos
• Subjects:Structural analysis Underground engineering Traffic capacity Variational mode decomposition Failures for bearings
• Palabras claves:Problemas; Extracción de características; Red de creencias profundas; Algoritmo de optimización de saltamontes; Diagnóstico de fallas; Rendimiento de generalización
• Keywords:Problems; Feature extraction; Deep belief network; Grasshopper optimization algorithm; Fault diagnosis; Generalization performance