文献

J-GLOBAL ID：202002235712052606   整理番号：20A0374373

半教師付き深畳込み生成モデルを用いた高次元複雑プロセスにおける故障分類【JST・京大機械翻訳】

Fault Classification in High-Dimensional Complex Processes Using Semi-Supervised Deep Convolutional Generative Models

著者 (2件)： Ko Taeyoung (Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, Republic of Korea) ,  Kim Heeyoung (Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST), Daejeon, Republic of Korea)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 16  号： 4  ページ： 2868-2877  発行年： 2020年 
JST資料番号： W1434A  ISSN： 1551-3203  CODEN： ITIICH  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： 複雑な産業プロセスにおいて,プロセス故障検出と分類は,生産コストを低減し,製品品質を改善するための重要なタスクを構成する。故障分類のためのほとんどの既存の方法は,十分なラベル付きデータが訓練に利用可能であると仮定している。しかしながら,ラベル獲得は実際には費用がかかり労力がかかるが,豊富なラベル付けデータはしばしば利用可能である。故障分類のための大量のラベルなしデータの有効利用を行うために,本論文では,半教師つき深い生成モデルを用いた新しいアプローチを提案し,高次元プロセスデータとプロセス状態の間の複雑な関係をモデル化することを可能にした。特に,多重センサから収集した多変量時系列プロセスデータにおける時間的相関と相互変数相関を考慮するために,畳込みニューラルネットワークを組み込んだ2つの半教師つき深い生成モデルを提案した。提案したモデルをTennessee Eastmanベンチマーク過程からのデータについて評価した。結果は,競合する方法と比較して,提案したモデルの優れた性能を実証した。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： 製品品質 ,  ベンチマーク ,  故障検出 ,  *畳込み ,  製造原価 ,  *高次元
準シソーラス用語： 多変量 ,  *故障分類 ,  *生成モデル , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  信頼性  (KB04040H)

タイトルに関連する用語 (6件)： 教師 ,  畳込み ,  生成モデル ,  高次元 ,  プロセス ,  故障分類