文献

J-GLOBAL ID：201702234622514642   整理番号：17A1426502

シミュレーション駆動機械学習:軸受故障分類【Powered by NICT】

Simulation-driven machine learning: Bearing fault classification

著者 (3件)： Sobie Cameron (Siemens Industry Software NV, Interleuvenlaan 68, 3001 Leuven, Belgium) ,  Freitas Carina (Siemens Industry Software NV, Interleuvenlaan 68, 3001 Leuven, Belgium) ,  Nicolai Mike (Siemens Industry Software NV, Interleuvenlaan 68, 3001 Leuven, Belgium)
資料名： Mechanical Systems and Signal Processing  (Mechanical Systems and Signal Processing)
巻： 99  ページ： 403-419  発行年： 2018年 
JST資料番号： T0514A  ISSN： 0888-3270  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機械的故障検出の精度向上定期保守と予想外のシステム故障の確率を最小化することによりシステムの安全性と経済的性能を改善する可能性がある。計算性能の進歩は,状態監視と故障検出を含む多くの用途を横切る機械学習アルゴリズムの適用を可能にした。物理的故障に対する機械学習の過去の利用は,歴史的データ,拡張サービス履歴を持つ中の構成部品にこの手法の実現可能性を制限するに明確に依存している。さらに,記録された故障データの,収集した特定の状況と成分でのみ有効であることが多い。直接ころ軸受動力学の高分解能シミュレーションから得られた情報を用いた訓練データ,用いた四実験データセットに対して検証した機械学習アルゴリズムの訓練を生成することによりレース欠陥のある転がり軸受のためのこれらの課題に取り組んだ。畳込み神経回路網へのよく確立された統計的特徴ベース手法から出発して比較したいくつかの異なる機械学習方法論と,軸受故障分類のための動的時間ワーピング(DTW)の新しい応用をレース故障検出のためのロバストな,パラメータフリー法として提案した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *軸受 ,  ロバスト性 ,  ころ軸受 ,  畳込み ,  故障検出 ,  高分解能 ,  *シミュレーション ,  神経回路網 ,  学習アルゴリズム ,  *機械学習 ,  *故障 ,  保全
準シソーラス用語： 状態監視 ,  高精度化 ,  *故障分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  状態監視 ,  ころ軸受 ,  故障検出 ,  予後ヘルスモニタリング

分類 (2件)： 軸受  (QB01020W) ,  歯車,歯車装置  (QB01060O)

タイトルに関連する用語 (5件)： シミュレーション ,  駆動機械 ,  学習 ,  軸受 ,  故障分類