文献

J-GLOBAL ID：201702255745443474   整理番号：17A1280515

LSSVM移動学習法を改良した軸受故障診断【JST・京大機械翻訳】

Enhanced least squares support vector machine-based transfer learning strategy for bearing fault diagnosis

著者 (3件)： Chen Chao (東南大学儀器科学与工程学院 南京210096) ,  Chen Fei (東南大学儀器科学与工程学院 南京210096) ,  Yan Ruqiang (東南大学儀器科学与工程学院 南京210096)
資料名： Yiqi Yibiao Xuebao  (Yiqi Yibiao Xuebao)
巻： 38  号： 1  ページ： 33-40  発行年： 2017年 
JST資料番号： C2448A  ISSN： 0254-3087  CODEN： YYXUDY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 機械システムに存在する外部環境干渉、可変条件条件及び直接測定などの要素がなく、得られたデータは常に従来の機械学習の二つの前提を満たさない。訓練とテストデータの分布が同じで、目標の診断データ量が十分であるため、診断モデルの汎化能力に影響を与える。上記の問題に対して、補助データに基づく増強型最小二乗サポートベクトルマシン(LSSVM)遷移学習戦略を提案し、データ量が不足した時の軸受故障診断に用いた。その中で、再帰定量分析(RQA)を用いて、非線形特徴を抽出し、従来の時間領域特徴と結合して診断精度を向上させる。伝統的LSSVMモデルを改良することによって,分類装置は,目的関数と制約条件において,補助集合のペナルティ関数と制約条件をそれぞれ増加して,最終的に,補助集合の関数推定を得て,それを,学習と移動学習に拡張した。さらに,クラス間距離指数を用いて,特徴の識別を記述し,4種類の補助データセットの使用法を提案し,それにより,移動学習をフレームワークとした診断モデルを構築した。球状軸受の振動信号の実験結果は,従来の機械学習と比較して,提案したモデルが軸受振動故障の診断において著しい性能向上を有することを示した。。・・・.は,目標振動データが少ない条件の下で,より良い性能を示した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 分類装置 ,  *故障 ,  定量分析 ,  機械学習 ,  *学習 ,  目的関数 ,  汎化 ,  *軸受 ,  ペナルティ関数 ,  *故障診断
準シソーラス用語： 振動信号 ,  診断精度 ,  時間領域 ,  診断モデル ,  データ量 , 【Automatic Indexing@JST】

著者キーワード (4件)： bearing fault diagnosis ,  recurrence quantification analysis ,  transfer learning ,  least squares support vector machine (LSSVM)

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 軸受 ,  故障診断