Resumen

Esta investigación propone un novedoso marco de diagnóstico de fallos simultáneos de la transmisión final que contiene la extracción de características, el entrenamiento de modelos de diagnóstico emparejados, la generación de umbrales de decisión y el reconocimiento de los modos de fallo simultáneos. En el módulo de extracción de características, se adopta la transformada de paquete wavelet y la entropía difusa para reducir la interferencia de ruido y extraer características representativas del modo de fallo. Utilizar una sola muestra de fallo para construir clasificadores de probabilidad basados en la máquina de aprendizaje extremo bayesiano disperso emparejado que se entrena sólo con modos de fallo individuales y tiene una alta generalización y dispersidad del enfoque de aprendizaje bayesiano disperso. Para generar un umbral de decisión óptimo que pueda convertir la salida de probabilidad obtenida de los clasificadores en modos de fallo simultáneos finales, esta investigación propone utilizar muestras que contengan tanto modos de fallo simples como simultáneos y el método de búsqueda Grid, que es superior a las técnicas tradicionales de optimización global. En comparación con otros enfoques de diagnóstico utilizados con frecuencia y basados en máquinas de vectores de apoyo y redes neuronales de probabilidad, los resultados de los experimentos basados en el valor de la medida F 1 verifican que la precisión y la eficiencia del diagnóstico del marco propuesto, que son cruciales para el diagnóstico de fallos simultáneos, son superiores al enfoque existente.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:modo de fallo simultáneo, diagnóstico de fallo simultáneo, aprendizaje bayesiano disperso, modo de fallo único, transformada de paquete wavelet, enfoque de diagnóstico utilizado, máquina de vectores de apoyo, métodos de búsqueda en cuadrícula, aprendizaje bayesiano extremo, módulo de extracción de características
• Keywords:simultaneous failure mode, simultaneous failure diagnosis, sparse bayesian learning, single failure mode, wavelet package transform, used diagnostic approach, support vector machine, grid search methods, bayesian extreme learning, features extraction module