Resumen

El diagnóstico de fallos es de gran importancia para garantizar la seguridad y el funcionamiento fiable de los rodamientos en las industrias. Las redes de autoencoder de pila (SAE) se han aplicado ampliamente en este campo. Sin embargo, los parámetros del modelo, como la tasa de aprendizaje, son siempre fijos, lo que tiene un efecto adverso sobre la velocidad de convergencia y la precisión de la clasificación de fallos. Por ello, este trabajo propone un enfoque de ajuste dinámico de la tasa de aprendizaje para la red de autocodificación apilada. En primer lugar, se normalizan y mejoran los datos de entrada. En segundo lugar, se selecciona la estructura de la red SAE. De acuerdo con el valor positivo y negativo del gradiente de error de entrenamiento, se diseña una estrategia de reducción de la tasa de aprendizaje para que sea coherente con el funcionamiento actual de la red. Finalmente, se realizan los modelos de diagnóstico de fallos con diferentes ajustes de la tasa de aprendizaje para validar el mejor rendimiento del enfoque propuesto. Además, se analiza la influencia de las cantidades de datos de muestra etiquetados en el proceso de retropropagación. Los resultados muestran que el método propuesto puede aumentar eficazmente la velocidad de convergencia y mejorar la precisión de la clasificación. Además, puede reducir el tamaño de la muestra etiquetada y hacer que la red sea más estable con la misma precisión de clasificación.

• Materias:Agua Ingeniería de estructuras Asfalto Acero Concreto
• Subjects:Water Structural engineering Asphalt Steel Concrete
• Palabras claves:ajuste de la tasa de aprendizaje, precisión de la clasificación, velocidad de convergencia, gradiente de error de entrenamiento, influencia de la cantidad, tamaño de la muestra etiquetada, proceso de retropropagación, red, modelo de diagnóstico de fallos, datos de la muestra etiquetada
• Keywords:learning rate adjustment, classification accuracy, convergence speed, training error gradient, influence of quantity, labeled sample size, process of backpropagation, network, fault diagnosis model, labeled sample data