Un método de aprendizaje escaso con parámetro de regularización como estrategia de autoadaptación para el diagnóstico de fallas en rodamientos rodantes
Autores: Niu, Yijie; Deng, Wu; Zhang, Xuesong; Wang, Yuchun; Wang, Guoqing; Wang, Yanjuan; Zhi, Pengpeng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un método de aprendizaje escaso con parámetro de regularización como estrategia de autoadaptación para el diagnóstico de fallas en rodamientos rodantes
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Escasez
Diagnóstico de fallas
Aprendizaje profundo
Rodamiento en marcha
Clasificación de fallas
Parámetro de regularización
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Los métodos de diagnóstico de fallas basados en la dispersión han logrado un gran éxito. Sin embargo, la clasificación de fallas sigue siendo un desafío debido al conocimiento potencial descuidado. Este documento propone un método combinado de aprendizaje profundo de representación dispersa (SR-DEEP) para el diagnóstico de fallas en rodamientos rodantes.
Descripción
Los métodos de diagnóstico de fallas basados en la dispersión han logrado un gran éxito. Sin embargo, la clasificación de fallas sigue siendo un desafío debido al conocimiento potencial descuidado. Este documento propone un método combinado de aprendizaje profundo de representación dispersa (SR-DEEP) para el diagnóstico de fallas en rodamientos rodantes.