文献

J-GLOBAL ID：202002248907337695   整理番号：20A0216830

ベアリング故障検出のための多領域特徴ベースGA最適化人工免疫システム【JST・京大機械翻訳】

Multidomain Features-Based GA Optimized Artificial Immune System for Bearing Fault Detection

著者 (3件)： Abid Anam (Department of Mechatronics Engineering, University of Engineering and Technology, Peshawar, Pakistan) ,  Khan Muhammad Tahir (Department of Mechatronics Engineering, University of Engineering and Technology, Peshawar, Pakistan) ,  Khan Muhammad Salman (Department of Electrical Engineering, Jalozai Campus, University of Engineering and Technology, Peshawar, Pakistan)
資料名： IEEE Transactions on Systems, Man, and Cybernetics: Systems  (IEEE Transactions on Systems, Man, and Cybernetics: Systems)
巻： 50  号： 1  ページ： 348-359  発行年： 2020年 
JST資料番号： C0425D  ISSN： 2168-2216  CODEN： ITSMFE  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： 本論文では,実システムにおける故障検出のための新しいマルチドメイン特徴ベース遺伝的アルゴリズム(GA)最適化人工免疫システム(AIS)フレームワークを提案した。元のデータ空間で動作する固有の実数値負選択アルゴリズム(RNSA)とは異なり,このアルゴリズムは非自己特徴空間における最適化検出器分布のために特徴空間変換と多様性因子ベースGAを利用する。提案したフレームワークは3つの段階から成る。特徴抽出,教師なし特徴選択,およびGA最適化AIS。第一段階では,信号処理法を適用して,システムのマルチドメイン特徴(時間領域統計,周波数領域統計,および特殊特徴)を抽出した。第2段階では,2つの教師なしの方法,すなわち,k-NNクラスタ化と深い学習ニューラルネットワークを用いた前訓練を,支配的な故障を特徴付ける特徴選択のために提案した。最後に,第3段階において,故障特性化特徴ベクトルを,選択(故障特性化)特徴ベースのAIS法を用いて,システム状態分類(すなわち,正常,故障)に対して用いた。提案したフレームワークの有効性を,振動信号を用いたモータ軸受故障検出に関する実験を通して検証した。空間変換,特徴選択,およびAIS(異常分類)技術の提案された組合せの主要な達成は,RNSA実装に関する計算負荷の緩和である。さらに,確立された特徴に基づくGA最適化AIS故障診断は,改善された検出性能を与える。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 ,  特徴抽出 ,  *軸受 ,  遺伝的アルゴリズム ,  学習 ,  周波数領域 ,  *最適化 ,  電動機 ,  ニューラルネットワーク ,  信号処理 ,  *故障検出 ,  故障診断 ,  特徴選択 ,  クラスタ化

分類 (2件)： 人工知能  (JE08000Z) ,  その他のオペレーションズリサーチの手法  (KA03070E)

タイトルに関連する用語 (5件)： ベアリング ,  故障検出 ,  Ga ,  最適化 ,  人工免疫システム