Resumen

El marco de diagnóstico tradicional consta de tres partes: adquisición de datos, generación de características y clasificación de fallos. Sin embargo, la extracción manual de características utiliza tecnologías de procesamiento de señales que dependen en gran medida de la subjetividad y el conocimiento previo, lo que afecta a la eficacia y la eficiencia. Para abordar estos problemas, se propone un modelo de aprendizaje profundo no supervisado basado en un autoencoder convolucional paralelo (PCAE) y se aplica en la etapa de generación de características del marco de diagnóstico. En primer lugar, las señales de vibración en bruto se normalizan y se segmentan en un conjunto de muestras mediante una ventana deslizante. En segundo lugar, las características profundas se extraen, respectivamente, de la forma reformada del conjunto de muestras en bruto y del espectrograma en el dominio de tiempo-frecuencia mediante dos ramas paralelas de aprendizaje de características no supervisadas basadas en el autoencoder convolucional (CAE). Durante el proceso de formación, se utilizan la regularización de abandono y la normalización de lotes para evitar el sobreajuste. Finalmente, las características representativas extraídas se introducen en el modelo de clasificación basado en la estructura profunda de la red neuronal (DNN) con softmax. La eficacia del enfoque propuesto se evalúa en el diagnóstico de fallos del reductor principal del automóvil. Los resultados producidos en el análisis contrastivo demuestran que el marco de diagnóstico basado en el aprendizaje paralelo de características no supervisadas y la estructura profunda de clasificación puede mejorar eficazmente la robustez y mejorar la precisión de identificación de las condiciones de funcionamiento en casi un 8%.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:aprendizaje de características no supervisadas, generación de características, marco de diagnóstico, estructura profunda, extracción manual de características, modelo de aprendizaje de características, autoencoder convolucional paralelo, características paralelas no supervisadas, características representativas extraídas, diagnóstico de automóviles
• Keywords:unsupervised features learning, features generation, diagnostic framework, deep structure, manual features extraction, features learning model, parallel convolutional autoencoder, parallel unsupervised features, extracted representative features, diagnosis of automobile