文献

J-GLOBAL ID：201902258883357989   整理番号：19A2490036

軸受故障分類のためのスペクトル尖toと改良型極端学習機械の応用【JST・京大機械翻訳】

Application of Spectral Kurtosis and Improved Extreme Learning Machine for Bearing Fault Classification

著者 (2件)： Udmale Sandeep S. (Department of Computer Science and Engineering, IIT (BHU), Varanasi, India) ,  Singh Sanjay Kumar (Department of Computer Science and Engineering, IIT (BHU), Varanasi, India)
資料名： IEEE Transactions on Instrumentation and Measurement  (IEEE Transactions on Instrumentation and Measurement)
巻： 68  号： 11  ページ： 4222-4233  発行年： 2019年 
JST資料番号： C0232A  ISSN： 0018-9456  CODEN： IEIMAO  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： 効果的で知的な故障診断に基づく回転機械システムの状態監視は広く受け入れられている。従来の信号処理(SP)法は,特定の周波数で短時間にわたって活性を維持する異なるソースと初期故障からの雑音と干渉により,より効果的でない。近年,人工知能法とともにSP技術が故障分類に使用されている。SP領域における種々の複雑なアプローチを,特徴集合を設計するための振動データの特徴抽出に用いた。困難なタスクは,故障分類の精度を改善するために利用可能な特徴集合から主要な特徴を選択することである。したがって,スペクトル尖度(SK)と極端な学習機械(ELM)によって動機づけられて,著者らは回転機械の故障分類のための新しい知的診断法を提案する。本論文において,SKを入力特徴集合として用いて,支配的特徴集合を発見するタスクを避けた。抽出された特徴は,故障同定のためにELMに供給される。しかし,ELM性能は主に隠れノードパラメータと隠れノード数に依存する。良好な性能のための最適ELMパラメータの選択は未解決の問題である。したがって,局所探索法による修正双方向探索を,ELMパラメータの最適集合を決定するために提案した。開発した方法を,転がり要素軸受の2つの振動データセットで試験した。特徴集合としてSKの有意性を調べ,従来法と比較してELMを改善した。実験結果は,提案方法がELMパラメータを効率的に最適化し,コンパクトなELMアーキテクチャを提供し,また,故障分類精度を強化することを実証した。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 ,  故障診断 ,  回転機械 ,  *スペクトル ,  信号処理 ,  計算機アーキテクチャ ,  最適化 ,  *故障 ,  *軸受 ,  特徴抽出 ,  初期故障 ,  人工知能
準シソーラス用語： 尖度 ,  状態監視 ,  *故障分類 , 【Automatic Indexing@JST】

分類 (2件)： 軸受  (QB01020W) ,  振動の励起・発生・測定  (BB02030Z)

タイトルに関連する用語 (5件)： 軸受 ,  故障分類 ,  スペクトル ,  極端学習機械 ,  応用