Resumen

El aumento de datos se ha convertido en un tema candente en el campo del diagnóstico inteligente de fallos mecánicos. Puede ampliar el limitado conjunto de datos de entrenamiento mediante la generación de muestras simuladas, pero todavía no existe un método eficaz que aumente la resolución de las muestras de baja resolución. En este artículo, se propone un algoritmo sencillo, la red neuronal convolucional eficiente de subpíxeles (ESPCN), para resolver esta deficiencia. El modelo ESPCN realiza la operación de ordenación en los datos brutos de baja resolución a través de la capa de subpíxeles y emite el resultado de mapas de multifeature de cuatro canales. A continuación, la resolución de la muestra se multiplica por cuatro en comparación con la muestra bruta de baja resolución. Por último, el conjunto de datos de alta resolución generado se emplea para entrenar los autocodificadores apilados (SAE) para la clasificación de fallos, y el conjunto de datos de alta resolución sin procesar se utiliza para las pruebas. Para simular la situación de baja resolución, se establecen dos casos de diagnóstico de fallos con diferentes dimensiones de muestra y velocidades de rotación, y los resultados experimentales verifican la viabilidad del algoritmo propuesto.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:diagnóstico inteligente de averías mecánicas, conjunto de datos brutos de alta resolución, datos brutos de baja resolución, muestra bruta de baja resolución, mapas de multifeature de canal, red neuronal convolucional, diferentes dimensiones de muestra, casos de diagnóstico de averías, conjunto de datos de alta resolución, conjunto de datos de entrenamiento limitado
• Keywords:mechanical intelligent fault diagnosis, raw high resolution dataset, raw low resolution data, raw low resolution sample, channel multifeature maps, convolutional neural network, different sample dimensions, fault diagnosis cases, high resolution dataset, limited training dataset