Red de Apilamiento Profundo Escasa para el Diagnóstico de Fallas en Motores

Se propone un método de aprendizaje profundo escaso para superar el riesgo de sobreajuste de redes profundas con un gran número de nodos y capas. La red de apilamiento profundo (DSN) es un método clásico y efectivo de aprendizaje profundo, y su forma escasa se presenta para generar el método de aprendizaje profundo escaso. En DSN, las etiquetas de salida se codifican como una serie compuesta de 1 y 0. Esta estrategia de codificación hace que las etiquetas de salida sean escasas. Sin embargo, la escasez de las etiquetas de salida no se considera en el modelo DSN. Considerando esta limitación, se desarrolla en este documento la DSN escasa (SDSN). La SDSN extiende la DSN tradicional en la caracterización de escasez utilizando un término de regularización escasa. A través de este término, la etiqueta de salida predicha se limita a ser similar a la etiqueta de salida ideal que es binaria y está compuesta de 1 y 0 continuos con una forma de escalón. El término de regularización escasa se utiliza como una estrategia de umbral suave para configurar elementos irrelevantes a cero, lo que mejora la efectividad de la SDSN. Se utilizan estudios de caso sobre el diagnóstico de fallas de motores para validar el rendimiento de la SDSN. Se lleva a cabo una comparación entre la SDSN y redes profundas comúnmente utilizadas. Los resultados muestran la ventaja de la SDSN para la clasificación de fallas.