文献

J-GLOBAL ID：201902226680605002   整理番号：19A1484989

異なる作業条件下での回転機械故障診断のためのクロスドメイン積層雑音除去自動符号器【JST・京大機械翻訳】

A Cross-Domain Stacked Denoising Autoencoders for Rotating Machinery Fault Diagnosis Under Different Working Conditions

著者 (2件)： Pang Shan (College of Information and Electrical Engineering, Ludong University, Yantai, China) ,  Yang Xinyi (Aeronautical Foundation College, Naval Aeronautical University, Yantai, China)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 77277-77292  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 回転機械の故障診断において,作業条件変動によって引き起こされる領域分布のシフトは,正確な診断のための主要な障害を引き起こす。ドメイン適応能力の欠如のために,既存の深い学習ベースの方法の診断性能は,他の見えない作業条件を直面させるとき,著しく劣化する。この問題を解決するために,新しい適応訓練戦略を用いて,クロスドメイン積層雑音除去オートエンコーダ(CD-SDAE)を開発した。ドメイン適応と多様体学習の両方から利点を取り入れて,適応訓練戦略は2つの連続したパラダイムから成る。1)限界分布不整合を補正するための教師なし適応事前訓練,2)領域間の条件付き分布距離を最小化するための半教師つき多様体正規化微調整。この方法で,ソースとターゲットドメインの間の限界分布を最初に整合させた。次に,これに基づいて,条件付き分布をより効果的に適合させることができて,このように,モデルをターゲットドメインにより適応させることができた。CD-SDAEを歯車箱とエンジン回転軸受故障データセットで評価した。実験結果は,CD-SDAEが従来の深い学習法だけでなく,診断精度に関して最先端の深い領域適応法より優れていることを示した。Copyright 2019 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： *雑音除去 ,  歯車箱 ,  モデル ,  軸受 ,  学習 ,  *故障 ,  正規化 ,  *故障診断 ,  適応訓練 ,  不整合 ,  *回転機械 ,  多様体 ,  *符号器
準シソーラス用語： 微調整 ,  多様体学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 作業条件 ,  回転機械 ,  故障診断 ,  ドメイン ,  雑音除去 ,  符号器