文献

J-GLOBAL ID：201802282966133494   整理番号：18A1711607

大域-局所マージンFisher解析による特徴低減に基づく転がり軸受の故障診断【JST・京大機械翻訳】

Fault diagnosis of rolling bearing based on feature reduction with global-local margin Fisher analysis

著者 (2件)： Zhao Xiaoli (School of Mechanical Engineering, Southeast University, Nanjing 211189, People’s Republic of China) ,  Jia Minping (School of Mechanical Engineering, Southeast University, Nanjing 211189, People’s Republic of China)
資料名： Neurocomputing  (Neurocomputing)
巻： 315  ページ： 447-464  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 回転機械故障診断の主要なタスクは,測定信号からより多くの故障特徴情報を抽出することであり,その診断結果はより正確でより信頼できる。機械的運転データから非常に固有のグローバルおよび局所的故障情報を得るために,グローバル局所的マージンFisher解析(GLMFA)を用いる特徴縮小に基づく転がり軸受の新しい故障診断アプローチを最初に提案した。最初に,提案した故障診断手法は,転がり軸受の振動信号をマルチドメイン統計的特徴データセットに変換する。次に,構築した特徴データセットを,提案したGLMFAアルゴリズムによって訓練した。それは,新しい多様体学習アルゴリズムが,ローリングベアリングのグローバル情報と局所情報を有する低次元敏感特徴部分集合を抽出することを目的とした。最後に,転がり軸受の様々な健康条件を,改良ユークリッド加重K最近傍(EW-KNN)分類器を用いて診断した。この方法のコアは,提案したGLMFAが,データのグローバルな故障情報と局所的な故障情報をjuggすることができない,Margin Fisher分析(MFA)の欠点を克服できるということである。したがって,振動信号のグローバルおよび局所構造情報は,2種類の正則化項目を加えることによって記述される。そして,提案したEW-KNNは,分類のための異なる特徴の感度を強調するために,標準化ユークリッド距離を用いることにより,K最近傍(KNN)の分類プロセスにおける異なる特徴を重みづける。転がり軸受の実験的な結果により,この新しい方法の有効性を検証した。実験結果は,この方法がグローバル局所判別故障情報を包括的に抽出することができることを示した。それは,その抽出された故障特徴をより敏感にして,分類精度率を著しく向上させることができる。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： 回転機械 ,  横揺れ ,  標準化 ,  *故障 ,  学習アルゴリズム ,  正則化 ,  多様体 ,  次元縮小 ,  *転がり軸受 ,  部分集合 ,  *故障診断
準シソーラス用語： 分類精度 ,  Euclid距離 ,  局所構造 ,  振動信号 , 【Automatic Indexing@JST】

著者キーワード (6件)： 転がり軸受 ,  故障診断 ,  次元縮小 ,  GLMFA(大域-局所マージンFisher解析) ,  判明-KNN(ユークリッド重み付きk-最近傍)分類器 ,  グローバルおよびローカル情報

分類 (2件)： 人工知能  (JE08000Z) ,  信頼性  (KB04040H)

タイトルに関連する用語 (3件)： 解析 ,  転がり軸受 ,  故障診断