文献

J-GLOBAL ID：202002248704131479   整理番号：20A2690178

グラフベース半教師つき学習を用いた誘導電動機故障診断【JST・京大機械翻訳】

Induction Motor Fault Diagnosis Using Graph-Based Semi-Supervised Learning

著者 (3件)： Zaman Shafi Md Kawsar (Memorial University of Newfoundland,Department of Electrical and Computer Engineering,St John’s,NL,Canada) ,  Liang Xiaodong (University of Saskatchewan,Department of Electrical and Computer Engineering,Saskatoon,SK,Canada) ,  Zhang Lihong (Memorial University of Newfoundland,Department of Electrical and Computer Engineering,St John’s,NL,Canada)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CCECE  ページ： 1-5  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： 本論文では,固定子電流と振動信号を用いた直接オンライン誘導電動機の故障診断のために,グラフベースの半教師つき学習(GSSL)法を提案した。健康,単一および多重故障条件下の0.25HP誘導電動機を,実験室で試験した。モータの三相固定子電流と三次元振動信号を各試験における定常状態運転の下で同時に記録した。機械学習の特徴を,離散ウェーブレット変換(DWT)を用いて,生実験固定子電流と振動データから抽出する。3つのGSSLアルゴリズム,局所およびグローバル一貫性(LGC),Gauss場および調和関数(GFHF),および greedy欲勾配最大カット(GGMC)を,本論文で使用した。固定子電流と振動信号の両方がGSSLアルゴリズムを使用する1つの個々の故障診断のためによく機能するが,5つの異なる故障の組合せの分類のために,固定子電流が振動信号を著しく凌駕することがわかる。3つのGSSLアルゴリズムの中で,GGMCは固定子電流と振動信号の両方に対してLGCとGFHFに対してより良い分類結果を示した。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： アルゴリズム ,  電流 ,  *故障 ,  *電動機 ,  固定子 ,  *故障診断 ,  調和関数 ,  多重化 ,  *誘導電動機 ,  三次元 ,  機械学習
準シソーラス用語： 離散ウェーブレット変換 ,  *半教師つき学習 ,  オンライン ,  振動信号 , 【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 (4件)： グラフ ,  半教師つき学習 ,  誘導電動機 ,  故障診断