文献

J-GLOBAL ID：202002210679666070   整理番号：20A1487966

WPDR,FSWTおよびGoogLeNetに基づく特徴転送故障診断【JST・京大機械翻訳】

A Feature Transferring Fault Diagnosis based on WPDR, FSWT and GoogLeNet

著者 (6件)： Cao Guannan (Huazhong University of Science and Technology,School of Artificial Intelligence and Automation,Wuhan,P.R.China) ,  Zhang Kaifeng (Huazhong University of Science and Technology,School of Artificial Intelligence and Automation,Wuhan,P.R.China) ,  Zhou Kaibo (Huazhong University of Science and Technology,School of Artificial Intelligence and Automation,Wuhan,P.R.China) ,  Pan Hao (Huazhong University of Science and Technology,School of Artificial Intelligence and Automation,Wuhan,P.R.China) ,  Xu Yanhe (Huazhong University of Science and Technology,School of Hydropower and Information Engineering,Wuhan,P. R. China) ,  Liu Jie (Huazhong University of Science and Technology,School of Hydropower and Information Engineering,Wuhan,P. R. China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： I2MTC  ページ： 1-6  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 従来の軸受故障診断方式と比較して,畳込みニューラルネットワーク(CNN)は自動的に特徴を抽出することができる。しかし,CNNモデルの構築は,通常,大きなデータセットを必要とし,CNNモデルを訓練するのは非常に時間がかかる。この問題に取り組むために,特徴移動故障診断法を提案した。最初に,生信号をウェーブレットパケット分解によって異なる周波数のサブ信号に分解して,サブ信号をノイズをフィルタするために新しい信号に再因子した。第二に,2D時間周波数画像を周波数スライスウェーブレット変換によって構築し,信号特性を強化した。最後に,提案モデルを訓練して分類を同定した。提案方法の有効性を,ケースウェスタン保護大学によって提供された有名な運動軸受データに関して検証した。Copyright 2020 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 ,  フィルタ ,  軸受 ,  *故障診断 ,  信号特性 ,  二次元 ,  有効性 ,  ウェーブレット変換
準シソーラス用語： 時間周波数 ,  ウェーブレットパケット分解 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 転送 ,  故障診断