文献

J-GLOBAL ID：201702256119309839   整理番号：17A0825135

新しいデータカテゴリーの下での確率的故障診断のための半教師付き学習を用いたGauss混合モデル【Powered by NICT】

Gaussian Mixture Model Using Semisupervised Learning for Probabilistic Fault Diagnosis Under New Data Categories

著者 (3件)： Yan Heng-Chao (Department of Electrical and Computer Engineering, National University of Singapore, Singapore) ,  Zhou Jun-Hong (Manufacturing Execution and Control Group, A*STAR Singapore Institute of Manufacturing Technology, Singapore) ,  Pang Chee Khiang (Department of Electrical and Computer Engineering, National University of Singapore, Singapore)
資料名： IEEE Transactions on Instrumentation and Measurement  (IEEE Transactions on Instrumentation and Measurement)
巻： 66  号： 4  ページ： 723-733  発行年： 2017年 
JST資料番号： C0232A  ISSN： 0018-9456  CODEN： IEIMAO  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 産業における手術危険性と失敗を防止するための故障診断は重要な役割を果たしている。従来の診断アプローチの限界,訓練からの既存のカテゴリーに新しいタイプの故障を分類違いを克服するために,新しい確率的診断フレームワークは新しいデータカテゴリーに効果的な検出のための本論文で提案した。Gauss混合モデル(GMM)はパターン認識に適用したが,それは,訓練手続きは,新しい半教師付き学習への従来の教師なし学習から改善された。ラベル無し訓練データを伴ってさえも,今回GMMの成分数は所定の代わりにautoselectedできる。オンライン試験では,GMMのソフト割当から確率的分類結果は,総合的な診断フレームワークであり,最初の新しいタイプの故障があるかどうかを検出し,さらにGMM更新により詳細にデータを分類することを改善への援助。故障診断フレームワークの有効性は,回転機械の工業的故障シミュレータと各種高電圧電子機器部品の部分放電測定に証明した。既存のアプローチと比較して,この確率的診断フレームワークである新しいデータカテゴリーなしで97.9%の平均診断精度を達成することができ,発生した場合に,少なくとも86.3%の診断精度を持つ新しいデータカテゴリーを分類できた。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 電子装置 ,  パターン認識 ,  回転機械 ,  *故障診断 ,  教師なし学習 ,  *故障 ,  シミュレータ
準シソーラス用語： 診断精度 ,  部分放電測定 ,  オンライン ,  訓練データ ,  *Gauss混合モデル ,  *半教師つき学習 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  信頼性  (KB04040H)

タイトルに関連する用語 (5件)： カテゴリー ,  確率 ,  故障診断 ,  半教師付き学習 ,  Gauss混合モデル