文献

J-GLOBAL ID：201902250248467426   整理番号：19A0492055

多故障診断のための定常ウェーブレット特異エントロピーとカーネル極端学習【JST・京大機械翻訳】

Stationary Wavelet Singular Entropy and Kernel Extreme Learning for Bearing Multi-Fault Diagnosis

著者 (4件)： Rodriguez Nibaldo (Escuela de Ingenieria Informatica, Pontificia Universidad Catolica de Valparaiso, Valparaiso 234 0000, Chile) ,  Cabrera Guillermo (Escuela de Ingenieria Informatica, Pontificia Universidad Catolica de Valparaiso, Valparaiso 234 0000, Chile) ,  Lagos Carolina (Escuela de Ingenieria Informatica, Pontificia Universidad Catolica de Valparaiso, Valparaiso 234 0000, Chile) ,  Cabrera Enrique (Centro de Investigacion y Modelamiento de Fenomenos Aleatorios de Valparaiso (CIMFAV), Universidad de Valparaiso, Valparaiso 234 0000, Chile)
資料名： Entropy (Web)  (Entropy (Web))
巻： 19  号： 10  ページ： 541  発行年： 2017年 
JST資料番号： U7179A  ISSN： 1099-4300  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： ベアリングの挙動診断は,いくつかの回転機械システムの管理において重要な役割を果たしている。しかしながら,現在の診断法は,可変速度回転現象における故障に関して満足な結果を提供しない。本論文では,重要な故障署名パターンとしてShannonエントロピーを考察した。エントロピーを計算するために,定常ウェーブレット変換と特異値分解の組合せを提案した。定常ウェーブレット特異エントロピー(SWSE)と呼ぶ結果の特徴抽出法は,少数の高品質故障署名パターンを発見することにより,ベアリング故障の診断の精度を改善することを目的とする。次に,SWSEにより抽出された特徴をカーネル極値学習機械(KELM)分類器に通過させた。提案したSWSE-KELMアルゴリズムを,事例西保護大学から得た2つのベアリング振動信号データベースを用いて評価した。著者らは,著者らのSWSE特徴抽出法を,定常ウェーブレットパケット特異エントロピー(SWPSE)およびデシメーションウェーブレットパケット特異エントロピー(DWPSE)のような文献における他のよく知られた方法と比較した。実験結果は,SWSE-KELMがSWPSE-KELMとDWPSE-KELM法の両方よりも一貫して優れていることを示した。さらに,著者らのSWSE法は,他の2つの評価法よりも少ない特徴を必要とし,著者らのSWSE-KELMアルゴリズムをより簡単で高速にした。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： アルゴリズム ,  *故障診断 ,  *故障 ,  特徴抽出 ,  *診断 ,  軸受 ,  特異値分解 ,  *波束 ,  回転機械 ,  *学習 ,  データベース ,  学習機械 ,  高速度 ,  *エントロピー
準シソーラス用語： ウェーブレットパケット , 【Automatic Indexing@JST】

著者キーワード (3件)： 定常ウェーブレット特異エントロピー ,  特異値分解 ,  カーネル極端学習機械

分類 (3件)： 人工知能  (JE08000Z) ,  軸受  (QB01020W) ,  信頼性  (KB04040H)

引用文献 (51件)：

• Lei, Y.; Lin, J.; He, Z.; Zuo, M.J. A review on empirical mode decomposition in fault diagnosis of rotating machinery. Mech. Syst. Signal Process. 2013, 35, 108-126.
• Yan, R.; Gao, R.X.; Chen, X. Wavelets for fault diagnosis of rotary machines: A review with applications. Signal Process. 2014, 96, 1-15.
• Chen, J.; Li, Z.; Pan, J.; Chen, G.; Zi, Y.; Yuan, J.; Chen, B.; He, Z. Wavelet transform based on inner product in fault diagnosis of rotating machinery: A review. Mech. Syst. Signal Process. 2016, 70-71, 1-35.
• Huang, N.E.; Shen, Z.; Long, S.R.; Wu, M.C.; Shih, H.H.; Zheng, Q.; Yen, N.-C.; Tung, C.C.; Liu, H.H. The empirical mode decomposition and the hilbert spectrum for nonlinear and non-stationary time series analysis. Proc. R. Soc. Lond. A Math. Phys. Eng. Sci. 1998, 454, 903-995.
• Mishra, C.; Samantaray, A.K.; Chakraborty, G. Rolling element bearing fault diagnosis under slow speed operation using wavelet de-noising. Measurement 2017, 103, 77-86.

タイトルに関連する用語 (5件)： 故障診断 ,  ウェーブレット ,  エントロピー ,  カーネル ,  学習