Resumen

La detección oportuna y el reconocimiento eficiente de fallas son desafíos para el bogie del tren de alta velocidad (HST), debido a que diferentes tipos de señales de falla tienen características similares en el mismo rango de frecuencia. Se ha observado que las redes neuronales convolucionales (CNN) son poderosas para extraer características locales de alto nivel y que las redes neuronales recurrentes (RNN) son capaces de aprender dependencias de contexto a largo plazo en las señales de vibración. En este documento, mediante la combinación de CNN y RNN, se propone una red neuronal convolucional recurrente (CRNN) para diagnosticar diversas fallas del bogie del HST, donde se heredan simultáneamente las capacidades de CNN y RNN. Dentro de la nueva arquitectura, el CRNN propuesto primero filtra las características de los datos originales a través de capas convolucionales. Luego, se utilizan cuatro capas recurrentes con celdas recurrentes simples para modelar la información de contexto en las características extraídas. Al comparar el rendimiento del CRNN presentado

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Detección; Reconocimiento; Fallo; Redes neuronales convolucionales; Redes neuronales recurrentes; CRNN
• Keywords:Detection; Recognition; Fault; Convolutional neural networks; Recurrent neural networks; CRNN