文献

J-GLOBAL ID：202002223084062987   整理番号：20A0965057

熱ボイラプロセスのためのアンサンブル学習に基づくデータ駆動故障予測統合設計スキーム【JST・京大機械翻訳】

A Data-driven Fault Prediction Integrated Design Scheme Based on Ensemble Learning for Thermal Boiler Process

著者 (4件)： Qin Hai (Harbin Institute of Technology,Department of Control Science and Engineering,Harbin,China,150001) ,  Yin Shen (Harbin Institute of Technology,Department of Control Science and Engineering,Harbin,China,150001) ,  Gao Tianyi (Harbin Institute of Technology,Department of Control Science and Engineering,Harbin,China,150001) ,  Luo Hao (Harbin Institute of Technology,Department of Control Science and Engineering,Harbin,China,150001)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICIT  ページ： 639-644  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： 現代の産業システムはますます洗練されているので,これらの複雑な産業システムの信頼性と安全性の問題はシステム設計における最も重要な部分になっている。データ駆動故障診断と故障予測技術は,複雑な産業システムの故障予測と健康管理の分野で重要な役割を果たす。本論文は,機械学習支援データ駆動故障予測技術を研究した。3種類の機械学習アルゴリズム,すなわち,ランダムフォレスト(RF),ラッソ回帰(Lasso)およびサポートベクトルマシン回帰(SVR)を用いて,熱ボイラシステムの故障関連キー性能指標(KPI)を予測した。ボイラの監視データを前処理し,その後,特性変数をRFとサポートベクトルマシン再帰特徴除去(SVM-RFE)のアルゴリズムで選択した。積層アルゴリズムを最終的に用いて,3つの基本モデルを結合した。提案した予測モデルは,元の予測モデルと比較して,故障予後においてはるかに優れている。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： アルゴリズム ,  *故障 ,  システム設計 ,  *ボイラ ,  故障診断 ,  健康管理 ,  予後 ,  機械学習 ,  学習アルゴリズム ,  予測モデル ,  サポートベクトルマシン
準シソーラス用語： *アンサンブル学習 ,  ランダムフォレスト ,  *故障予知 ,  *データ駆動 , 【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 (7件)： ボイラ ,  プロセス ,  アンサンブル学習 ,  データ駆動 ,  故障予測 ,  統合設計 ,  スキーム