Resumen

El aprendizaje profundo tiene la capacidad de extraer relaciones complejas en el diagnóstico de fallos. Una red neuronal convolucional profunda (DCNN) con estructuras profundas, en lugar de superficiales, puede aplicarse para extraer información útil de los datos de vibración originales. Sin embargo, cuando el número de muestras de entrenamiento es pequeño, la precisión del diagnóstico se verá afectada. Como mejora de la DCNN, la red neuronal convolucional profunda basada en el criterio de Fisher (FDCNN) puede utilizarse para el diagnóstico de fallos de muestras pequeñas. Pero los parámetros del modelo en el método se basan en el trabajo humano o en el conocimiento previo, lo que puede influir negativamente en la precisión del diagnóstico. Por lo tanto, se propone un nuevo método de red neuronal profunda convolucional adaptativa basada en Fisher (AFDCNN), que puede optimizar los parámetros del modelo de forma adaptativa, como mejora de la FDCNN. Los resultados de las pruebas de verificación comparativa muestran que AFDCNN tiene un rendimiento más sobresaliente.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:red neuronal convolucional profunda, precisión del diagnóstico, diagnóstico de fallos, parámetros del modelo, resultados de pruebas de verificación comparativa, red neuronal convolucional profunda, datos de vibración originales, afdcnn, dcnn, fdcnn
• Keywords:deep convolutional neural network, diagnosis accuracy, fault diagnosis, model parameters, comparative verification test results, deep convolutional neural network, original vibration data, afdcnn, dcnn, fdcnn