文献

J-GLOBAL ID：201702272901816005   整理番号：17A1651194

誘導電動機故障診断のための積層雑音除去自動エンコーダを用いた特徴アンサンブル学習【Powered by NICT】

Feature ensemble learning using stacked denoising autoencoders for induction motor fault diagnosis

著者 (4件)： Wang Junwei (State Key Laboratory for Manufacturing Systems, Xi’an Jiaotong University, Xi’an, Shaanxi, 710049, P.R. China) ,  Sun Chuang (State Key Laboratory for Manufacturing Systems, Xi’an Jiaotong University, Xi’an, Shaanxi, 710049, P.R. China) ,  Zhao Zhibin (State Key Laboratory for Manufacturing Systems, Xi’an Jiaotong University, Xi’an, Shaanxi, 710049, P.R. China) ,  Chen Xuefeng (State Key Laboratory for Manufacturing Systems, Xi’an Jiaotong University, Xi’an, Shaanxi, 710049, P.R. China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： PHM (Harbin)  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 故障診断である産業用電力駆動源として広く使用されている誘導電動機に重要である。断層診断により,適切な維持は,事故を避けるために,安全性を確保し,メンテナンスコストを低減するために配列できた。しかし,可変運転条件とバックグラウンド雑音が常に従来の故障診断法の有効性を低下させる。現在,深層学習であり,最も進歩した機械学習技術は,階層的表現のための強い能力を持つだけでなく,多くの事前知識の必要がなくてもかなり測定データから特徴情報を抽出する適応的に行うことができる。それにもかかわらず,最終層のみが電流深学習モデルにおける特徴抽出のための利用,下層のそれよりも特徴抽象化とコンパクト性の良好な性能に起因していた。種々の特徴層は異なる同定能力を保持している。異なる層中の全ての特徴を考察し,効率的な故障診断を達成するために,積層ノイズ除去オートエンコーダ(SDAE)に基づく特徴アンサンブル学習の代替法を提案した。著者らの提案した方法は三段階で構築できる:第一に,異なる健康条件下で生データの試料を得た。複数の隠れ層を持つ深いニューラルネットワークはノイズ除去オートエンコーダ(DAE)層の各対を考慮することにより,layer-by-layerを確立し,欲張り層状トレーニング前と微調整の戦略であった。最後に,ソフトマックス回帰は最終隠れ層で作られ,種々の故障タイプを分類するための特徴を統合した。特徴集合は,対応する精度に応じて異なる重みを持つ相互に独立したルールにより考察した。提案した方法の有効性を実証した誘導電動機の健康状態を同定する。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： 安全性 ,  *誘導電動機 ,  電流 ,  *雑音除去 ,  保全費 ,  *故障 ,  コンパクト性 ,  *符号器 ,  *故障診断 ,  雑音低減 ,  *雑音 ,  ニューラルネットワーク ,  特徴抽出
準シソーラス用語： 隠れ層 ,  *アンサンブル学習 , 【Automatic Indexing@JST】

分類 (1件)： 電動機  (NB07030U)

タイトルに関連する用語 (5件)： 誘導電動機 ,  故障診断 ,  雑音除去 ,  エンコーダ ,  アンサンブル学習