Resumen

Las cajas de cambios son dispositivos mecánicos que desempeñan un papel esencial en varias aplicaciones, por ejemplo, la transmisión de los vehículos de motor. Su mal funcionamiento puede provocar pérdidas económicas y accidentes, entre otros. El auge de las potentes unidades de procesamiento gráfico difunde el uso de soluciones basadas en el aprendizaje profundo para muchos problemas, entre los que se encuentra el diagnóstico de fallos en las cajas de cambios. Estas soluciones suelen requerir una cantidad significativa de datos, una gran potencia de cálculo y un largo proceso de entrenamiento. El entrenamiento de los sistemas basados en el aprendizaje profundo puede ser inviable cuando no se dispone de GPUs. Este trabajo propone una solución para reducir el tiempo de entrenamiento de los sistemas de diagnóstico de fallos basados en el aprendizaje profundo sin comprometer su precisión. La solución se basa en el uso de una etapa de decisión para interpretar todas las salidas de probabilidad de un clasificador cuya capa de salida tiene la función de activación softmax. Se aplicaron dos algoritmos de clasificación para realizar la decisión. Hemos reducido el tiempo de entrenamiento en casi un 80% sin comprometer la precisión media del sistema de diagnóstico de fallos.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:aprendizaje profundo, sistema de diagnóstico de fallos, tiempo de entrenamiento, alta potencia de cálculo, proceso de entrenamiento largo, unidad de procesamiento gráfico, función de activación softmax, cantidad de datos, soluciones, varias aplicaciones
• Keywords:deep learning, fault diagnosis system, training time, high computational power, long training process, graphical processing unit, softmax activation function, amount of data, solutions, several application