文献

J-GLOBAL ID：201902287388132921   整理番号：19A2047416

多層自己学習による積層スパースオートエンコーダを用いた航空機エンジンの残存有効寿命の予測【JST・京大機械翻訳】

Predicting the Remaining Useful Life of an Aircraft Engine Using a Stacked Sparse Autoencoder with Multilayer Self-Learning

著者 (8件)： Ma Jian (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Ma Jian (Science & Technology on Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Su Hua (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Su Hua (Science & Technology on Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Zhao Wan-lin (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Zhao Wan-lin (Science & Technology on Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Liu Bin (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Liu Bin (Science & Technology on Reliability and Environmental Engineering Laboratory, Beijing, China)
資料名： Complexity  (Complexity)
巻： 2018  ページ： Null  発行年： 2018年 
JST資料番号： W2044A  ISSN： 1076-2787  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： それらは航空機の重要な要素であるので,エンジンの安全性,信頼性および経済性を改善することは重要である。飛行安全性を確保し,航空機エンジン運転中の保全コストを低減するために,故障診断,健康評価,および寿命予測に焦点を合わせた予後と健康管理システムを導入して,問題を解決した。残りの有効寿命(RUL)を予測することは,航空機エンジン運転と保全についての決定を行うための最も重要な情報であり,それは性能劣化特性の選択に大きく依存する。そのような特徴の選択は非常に重要であるが,RUL予測のための現在のアルゴリズムにはいくつかの弱点があり,特にデータから傾向を得ることができない。特に航空機エンジンでは,複雑な相関を持つマルチセンサデータからの有用な劣化特徴を抽出することは,劣化評価の実行を妨げる重要な技術的問題である。これらの問題を解決するために,特徴の教師なし自己学習のための非線形情報処理の多重層を利用するために,近年,深い学習が提案されている。本論文は,積層スパース自動符号器とロジスティック回帰に基づく航空機エンジンのRULを予測するための深い学習手法を提示した。積層スパースオートエンコーダを用いて,航空機エンジン上の複数センサからの性能劣化特徴を自動的に抽出し,多層自己学習を通して複数の特徴を融合させた。ロジスティック回帰を用いて,残りの有用寿命を予測した。しかしながら,特徴抽出と予測性能に著しく影響する深い学習のハイパーパラメータは,多くの場合にエキスパート経験に基づいて決定される。本論文では,提案した航空機エンジンRUL予測モデルのハイパーパラメータを最適化するために,グリッド探索法を導入した。ベンチマークデータセットを有する航空機エンジンのRULを予測するこの方法の応用を,提案したアプローチの有効性を実証するために採用した。Copyright 2018 Jian Ma et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  ベンチマーク ,  信頼性 ,  予測モデル ,  *航空機 ,  アルゴリズム ,  最適化 ,  有効性 ,  安全性 ,  *耐用年数 ,  センサ ,  *予測
準シソーラス用語： ロジスティック回帰分析 ,  健康 ,  *航空エンジン , 【Automatic Indexing@JST】

分類 (1件)： ガスタービン  (PB02040Y)

引用文献 (59件)：

• A. Saxena, K. Goebel, D. Simon, N. Eklund, "Damage propagation modeling for aircraft engine run-to-failure simulation," 2008 International Conference on Prognostics and Health Management, pp. 1-9, Denver, CO, USA, October 2008.
• S. H. Ding, S. Kamaruddin, "Maintenance policy optimization-literature review and directions," International Journal of Advanced Manufacturing Technology, vol. 76, no. 5-8, pp. 1263-1283, 2015.
• A. Bousdekis, B. Magoutas, D. Apostolou, G. Mentzas, "Review, analysis and synthesis of prognostic-based decision support methods for condition based maintenance," Journal of Intelligent Manufacturing, vol. 29, no. 6, 2018.
• A. K. S. Jardine, D. Lin, D. Banjevic, "A review on machinery diagnostics and prognostics implementing condition-based maintenance," Mechanical Systems and Signal Processing, vol. 20, no. 7, pp. 1483-1510, 2006.
• D. Djurdjanovic, J. Lee, J. Ni, "Watchdog Agent-an infotronics-based prognostics approach for product performance degradation assessment and prediction," Advanced Engineering Informatics, vol. 17, no. 3-4, pp. 109-125, 2003.

タイトルに関連する用語 (6件)： 多層 ,  自己学習 ,  航空機エンジン ,  残存 ,  有効寿命 ,  予測