En la actualidad, los métodos de aprendizaje profundo han sido ampliamente utilizados para mejorar la inteligencia y eficiencia en el diagnóstico de fallas. No obstante, la mayoría de los esquemas requieren una gran cantidad de datos e iteraciones para los parámetros de entrenamiento. Este documento presenta una propuesta de arquitectura de red siamesa ligera y de múltiples escalas para el diagnóstico de fallas, compuesta de dos módulos principales. La red propuesta fue validada mediante conjuntos de datos múltiples con diferentes cargas y velocidades. Los resultados muestran que el modelo tiene una mayor precisión, menos parámetros y una escala de comparación con el enfoque de línea de base a través de los experimentos realizados.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Influencia del solvente en la extracción de compuestos fenólicos de la borra de café mediante lixiviación Soxhlet
Artículo:
Relación entre el efecto hidrofóbico superficial de carbones activados y la entalpía de inmersión en soluciones acuosas de fenol, 4-nitro fenol y 3-cloro fenol
Artículo:
Recubrimientos de aluminio-silicio realizados por deposición química de vapor en lecho fluidizado sobre el acero inoxidable AISI 316
Video:
La Fluidodinámica computacional: casos de aplicación
Artículo:
Investigación multiescala de las características de porosidad del hormigón expuesto a un medio ácido
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Tesis:
Materiales y prácticas de construcción sostenible