文献

J-GLOBAL ID：201902210773571362   整理番号：19A1572488

経験的モード分解,サンプルエントロピー,および深い信念ネットワークの組合せに基づく回転機械の構造故障の精密診断法【JST・京大機械翻訳】

A Precise Diagnosis Method of Structural Faults of Rotating Machinery based on Combination of Empirical Mode Decomposition, Sample Entropy, and Deep Belief Network

著者 (4件)： Guan Zhaoyi (Graduate School of Bioresources, Mie University, 1577 Kurimamachiya-cho, Tsu, Mie 514-8507, Japan) ,  Liao Zhiqiang (Graduate School of Bioresources, Mie University, 1577 Kurimamachiya-cho, Tsu, Mie 514-8507, Japan) ,  Li Ke (Jiangsu Key Laboratory of Advanced Food Manufacturing Equipment and Technology, Jiangnan University, Wuxi 214122, China) ,  Chen Peng (Graduate School of Bioresources, Mie University, 1577 Kurimamachiya-cho, Tsu, Mie 514-8507, Japan)
資料名： Sensors (Web)  (Sensors (Web))
巻： 19  号： 3  ページ： 591  発行年： 2019年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 回転機械構造故障,特に低回転速度下の構造故障を正確に診断するために,経験的モード分解(EMD),サンプルエントロピー,および深い信念ネットワーク(DBN)の組合せに基づく新しい方式を本論文で提案した。EMDは,異なる信号対雑音比(SNR)を有するいくつかの固有モード関数(IMF)に信号を分解することができて,サンプルエントロピーを実行して,高SNRで故障情報を運ぶ信号を抽出した。抽出された故障信号は,豊富な故障情報を運ぶ新しい振動信号に再構成される。DBNには,強い特徴抽出と分類性能がある。再構成された信号に基づいて診断モデルを構築することは,適切に実行される。提案した方法の有効性を構造故障信号と比較実験(BPNN,CNN,時間領域信号のみ,周波数領域信号のみ)により検証した。結果は,提案した方法の診断精度が99%と100%の間にあり,BPNNが25%未満であり,CNNが70%と95%の間にあることを示した。それは,検証した提案方法が構造故障を診断するために優れた性能を持つことを意味した。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *故障 ,  SN比 ,  *回転機械 ,  *診断 ,  有効性 ,  再構成 ,  特徴抽出 ,  周波数領域
準シソーラス用語： 診断精度 ,  時間領域 ,  振動信号 ,  固有モード関数 ,  *信念ネットワーク ,  *サンプルエントロピー ,  *経験的モード分解 , 【Automatic Indexing@JST】

著者キーワード (5件)： 回転機械 ,  構造欠陥 ,  症状パラメータ ,  精密診断 ,  深層学習

分類 (2件)： 非破壊試験  (HB02030F) ,  軸受  (QB01020W)

引用文献 (31件)：

• Randall, R.B.; Antoni, J. Rolling element bearing diagnostics-A tutorial. Mech. Syst. Signal Process. 2011, 25, 485-520.
• Xue, H.; Wang, H.; Chen, P.; Li, K.; Song, L. Automatic diagnosis method for structural fault of rotating machinery based on distinctive frequency components and support vector machines under varied operating conditions. Neurocomputing 2013, 116, 326-335.
• Chen, P.; Toyota, T.; He, Z. Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions. IEEE Trans. Syst. Man Cybern.-Part A Syst. Hum. 2001, 31, 775-781.
• Wang, X.; Zheng, Y.; Zhao, Z.; Wang, J. Bearing fault diagnosis based on statistical locally linear embedding. Sensors 2015, 15, 16225-16247.
• Bishop, C.M. Neural Networks for Pattern Recognition; Oxford University Press: Oxford, UK, 1995.

タイトルに関連する用語 (8件)： 経験的モード分解 ,  サンプルエントロピー ,  信念ネットワーク ,  組合せ ,  回転機械 ,  故障 ,  精密 ,  診断法