文献

J-GLOBAL ID：201802273633663686   整理番号：18A1779893

故障分離のためのモデルベース診断とデータ駆動異常分類器の結合【JST・京大機械翻訳】

Combining model-based diagnosis and data-driven anomaly classifiers for fault isolation

著者 (5件)： Jung Daniel (Vehicular Systems, Linkoping University, Linkoping, Sweden) ,  Ng Kok Yew (School of Engineering, Ulster University, Newtownabbey, BT37 0QB UK) ,  Ng Kok Yew (Electrical and Computer Systems Engineering, School of Engineering, Monash University Malaysia, Malaysia) ,  Frisk Erik (Vehicular Systems, Linkoping University, Linkoping, Sweden) ,  Krysander Mattias (Vehicular Systems, Linkoping University, Linkoping, Sweden)
資料名： Control Engineering Practice  (Control Engineering Practice)
巻： 80  ページ： 146-156  発行年： 2018年 
JST資料番号： W0647A  ISSN： 0967-0661  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： 機械学習は,センサデータを自動的に処理し,予測と分類のためのデータ駆動モデルを作成するために用いることができる。しかし,故障診断のような応用において,故障はまれなイベントであり,故障分類のための学習モデルは,関連する訓練データの欠如のために複雑である。本論文では,モデルベースの残差を増分異常分類器と組み合わせたハイブリッド診断システム設計を提案した。提案した方法は,未知の故障を同定し,単一故障訓練データのみを用いて多重故障を分類することができる。提案した方法を内燃機関から収集した物理モデルとデータを用いて検証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  *故障 ,  システム設計 ,  故障診断 ,  残差 ,  人工知能 ,  多重化 ,  *モデル ,  機械学習
準シソーラス用語： 訓練データ ,  *故障隔離 ,  *モデルベース ,  物理モデル ,  *データ駆動 ,  故障分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 故障診断 ,  故障分離 ,  機械学習 ,  人工知能 ,  分類

分類 (2件)： システム設計・解析  (IA02030D) ,  システム同定  (IA02040O)

タイトルに関連する用語 (4件)： 故障分離 ,  モデルベース診断 ,  データ駆動 ,  分類器