Resumen

En este artículo se propone un nuevo enfoque de transferencia tensorial para el diagnóstico inteligente de fallos en maquinaria rotativa con aprendizaje semisupervisado de etiquetas parciales. En primer lugar, las señales de vibración se construyen como un tensor de tres vías a través de prueba, condición y canal. En segundo lugar, para adaptar las representaciones tensoriales de los dominios de origen y destino directamente, sin vectorización, se propone primero el enfoque de adaptación de dominio (DA) denominado aprendizaje de subespacio invariante alineado con tensor (TAISL) para la representación tensorial cuando los datos de prueba y entrenamiento se extraen de una distribución diferente. A continuación, se introduce el aprendizaje semisupervisado de etiquetado parcial (SSPLL) para abordar el problema de la dificultad de etiquetar un gran número de instancias y la existencia de muchos datos sin etiquetar. Por último, el método propuesto se utiliza para identificar fallos. La eficacia y viabilidad del método propuesto se ha validado exhaustivamente mediante experimentos de transferencia de fallos. Los resultados experimentales muestran que la técnica presentada puede lograr un mejor rendimiento.

• 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:etiqueta parcial semisupervisada, nuevo enfoque de transferencia tensorial, representaciones tensoriales de dominios objetivo, diagnóstico inteligente de fallos, experimentos de transferencia de fallos, método, mejor rendimiento, distribución diferente, adaptación de dominios, resultados experimentales
• Keywords:semisupervised partial label, new tensor transfer approach, target domains tensor representations, intelligent fault diagnosis, transfer fault experiments, method, better performance, different distribution, domain adaptation, experimental results