文献

J-GLOBAL ID：201802283960982783   整理番号：18A0679675

深さ学習理論に基づくエンジン弁機構の故障認識【JST・京大機械翻訳】

Fault diagnosis of engine valve mechanism based on deep learning

著者 (3件)： Zhou Yiren (南昌理工学院,南昌,330044) ,  Qiu Xiaolin (南昌理工学院,南昌,330044) ,  Guo Zhiqiang (南昌理工学院,南昌,330044)
資料名： Zhizaoye Zidonghua  (Zhizaoye Zidonghua)
巻： 39  号： 11  ページ： 89-93  発行年： 2017年 
JST資料番号： C2179A  ISSN： 1009-0134  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： エンジン弁の機構故障を正しく診断し,認識するために,経験的モード分解とスタックに基づくスパース自己符号器の深さ学習モデルに基づくエンジン弁機構の故障認識アルゴリズムを提案した。エンジンのシリンダ振動信号を信号源とし、振動信号に対して経験モード分解を行い、各固有モード分量の時間領域と周波数領域特徴を抽出し、故障特徴ベクトル集合を構成し、故障識別のサンプル変数とする。まばらな自己符号化非監督学習ネットワークを通して,入力ベクトルを特性学習し,単一層ネットワークを深さネットワークにスタックし,最後に,いくつかのラベル付きデータを用いて,深さ学習モデルを訓練し,弁の故障認識モデルを確立した。実験結果は,EMD-SSAEハイブリッド深さ学習モデルが効果的に気門機構の故障状態を認識することができ,EMD-SVMとEMD-BPNNモデルより高い認識精度を得ることができることを示した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 学習モデル ,  *故障 ,  認知モデル ,  周波数領域 ,  ベクトル ,  *学習 ,  符号化 ,  ネットワーク ,  固有モード
準シソーラス用語： 認識精度 ,  特徴ベクトル ,  時間領域 ,  モード分解 ,  振動信号 ,  経験的モード分解 , 【Automatic Indexing@JST】

分類 (5件)： 軸受  (QB01020W) ,  内燃機関一般  (PB02010R) ,  機械的性質  (WB02030U) ,  信頼性  (KB04040H) ,  金属の機械的性質  (BL01022T)

タイトルに関連する用語 (3件)： 学習理論 ,  エンジン弁 ,  故障