文献

J-GLOBAL ID：201802242417730527   整理番号：18A1897390

拡散マップに基づくマハラノビス計量学習による故障検出法【JST・京大機械翻訳】

A Fault Detection Method with Mahalanobis Metric Learning Based on Diffusion Maps

著者 (3件)： Ma Wenzhi (College of Marine Electrical Engineering, Dalian Maritime University, Dalian, 116026, China) ,  Xu Jinxue (College of Marine Electrical Engineering, Dalian Maritime University, Dalian, 116026, China) ,  Li Yuan (College of Information Engineering, Shenyang University of Chemical Technology, Shenyang, 110142, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： CCC  ページ： 5979-5984  発行年： 2018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： 工業生産のプロセスにおいて,装置故障の発生は避けられない。故障が検出されず,時間と正確に除去されなければ,それは重大な結果を引き起こすことができる。拡散マッピングはデータ間のマニホールド構造を維持することができるので,データの次元を低減するために使用できる。拡散距離は,それが2つの点を接続するすべての経路上の平均であるので,雑音に対してロバストである。データ収集の過程における化学プロセスデータとノイズ干渉の非線形特性の観点から,拡散マッピングを研究した。Gaussカーネル関数を拡散マップに用いて,サンプル点間の類似性を測定した。サンプル間の類似性を正確に測定するために,Mahalanobis距離に基づくメトリック学習法を提案した。このアルゴリズムの目標は,同じタイプの点対の距離ができるだけ小さいようにMahalanobis行列を学習することである。一方,異なるタイプのものは可能な限り大きい。次に,より正確な重み行列を得て,故障検出を改善した。SVMは良好な一般化性能を有し,いくつかの非線形性のデータを処理するのに特に優れている。最後に,SVMを故障同定に採用した。TEプロセスデータを用いて,この方法の妥当性を検証し,その結果,新しいアルゴリズムは異なるタイプのサンプルを分離し,故障検出のレベルを改善できることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  *故障検出 ,  *学習 ,  データ収集 ,  *故障 ,  マニホールド ,  類似性 ,  アルゴリズム ,  干渉 ,  非線形性 ,  化学プロセス ,  ロバスト性
準シソーラス用語： Mahalanobis距離 ,  Kernel関数 ,  *拡散マップ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 拡散マップ ,  計量 ,  学習 ,  故障検出