文献

J-GLOBAL ID：202002256667334812   整理番号：20A0014972

新しいアンサンブル深自動エンコーダ法を用いた回転機械の知的故障診断【JST・京大機械翻訳】

Intelligent fault diagnosis of rotating machinery using a new ensemble deep auto-encoder method

著者 (5件)： Zhang Yuyan (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Li Xinyu (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Gao Liang (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Chen Wen (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Li Peigen (State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China)
資料名： Measurement  (Measurement)
巻： 151  ページ： Null  発行年： 2020年 
JST資料番号： W0315B  ISSN： 0263-2241  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 回転機械の従来の知的故障診断法において,特徴はエキスパートによって手動で設計される。それはこれらの方法をより少なく自動化する。深いオートエンコーダ(DA)は識別特徴を学習する有効な方法を提供する。しかし,個々のDAは一般化が低く,ロバストではない。本研究では,知的故障診断のためのアンサンブルDA(EDA)法を開発した。EDAは,スパースDA,雑音除去DA,および収縮DAを組み合わせることによって構築される。このように,EDAは,効果的に冗長な情報,ノイズのある崩壊,および信号摂動を扱うことができる。各DAモデルの特徴学習性能を保証するために,自己適応微調整を設計し,安定した収束を得た。識別特徴を強化するために,動的加重平均法を設計し,これらの学習特徴を集約した。EDAを3つの公開データセットで検証し,100%,99.69%,99.92%の試験精度を達成した。従来の方法と個々のDA法を含む他の方法との比較は,EDAがより高い診断精度を得ることを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  雑音 ,  回転機械 ,  ロバスト性 ,  摂動 ,  *故障診断 ,  平均法 ,  雑音除去 ,  自動化 ,  冗長性 ,  *符号器
準シソーラス用語： 診断精度 ,  加重平均 ,  自己適応 ,  自己符号化器 , 【Automatic Indexing@JST】

著者キーワード (4件)： 知的故障診断 ,  回転機械 ,  アンサンブルモデル ,  深い自動エンコーダ

分類 (1件)： 信頼性  (KB04040H)

タイトルに関連する用語 (4件)： アンサンブル ,  エンコーダ ,  回転機械 ,  故障診断