文献

J-GLOBAL ID：202002223828480125   整理番号：20A2277786

可変条件下でのTSCとJGSAを用いた新しい移動学習故障診断法【JST・京大機械翻訳】

A New Transfer Learning Fault Diagnosis Method Using TSC and JGSA Under Variable Condition

著者 (4件)： Yu Yujie (School of Electronics and Information Engineering, Dalian Jiaotong University, Dalian, China) ,  Zhang Chunguang (School of Electronics and Information Engineering, Dalian Jiaotong University, Dalian, China) ,  Li Yingjie (Spic Hubei New Energy Company Ltd., Wuhan, China) ,  Li Yuangang (Business School, Dalian University of Foreign Languages, Dalian, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 177287-177295  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 複雑で可変の作動条件の下で転がり軸受のラベルデータを得ることは非常に難しく,低い診断精度をもたらす。転送スパース符号化(TSC)は,データマトリックスから特徴を効果的に抽出できる新しい特徴表現法である。結合幾何学と統計的アラインメント(JGSA)はドメイン適応法であり,ドメイン間の分布シフトと幾何学的シフトを減少できる。TSCの特徴抽出能力とJGSAの転送分類能力を完全に利用するために,TSCとJGSAの特性を組み合わせることに基づく新移転故障診断(TSC-JGSA)方式を,本論文で可変作動条件の下で回転軸受の故障診断を実現するために提案する。TSC-JGSAにおいて,高速Fourier変換技術を用いて時間領域信号を周波数領域振幅に変換した。次に,TSCを用いて,圧延軸受の故障診断を実現するために,JGSAに入力するスパース特徴行列を構築するために,得られた周波数領域振幅から深い特徴を効果的に抽出した。最後に,可変作動条件下での転がり軸受の振動データを用いて,TSC-JGSAの有効性を証明した。実験結果は,TSC-JGSAが,実験室におけるラベルデータを使用することによって,実際の工学におけるラベルデータ不足の問題を効果的に解決することができ,他の比較方法より高い診断精度を示した。それは回転機械のための新しい診断アイデアを提供する。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： アラインメント ,  幾何学 ,  *学習 ,  回転機械 ,  転がり軸受 ,  軸受 ,  圧延 ,  *故障診断 ,  特徴抽出 ,  有効性 ,  高速Fourier変換 ,  周波数領域
準シソーラス用語： 診断精度 ,  運転条件 ,  時間領域 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (4件)： 可変 ,  TSC ,  学習 ,  故障診断