文献

J-GLOBAL ID：202002273046553027   整理番号：20A2283174

結合分布適応とSVMに基づく可変作業条件下での転がり軸受故障診断【JST・京大機械翻訳】

Rolling Bearing Fault Diagnosis under Variable Working Conditions Based on Joint Distribution Adaptation and SVM

著者 (5件)： Li Ming (Shanghai Jiao Tong University,Department of Industrial Engineering & Management,Shanghai,China,200240) ,  Sun Zhao-Hui (Shanghai Jiao Tong University,Department of Industrial Engineering & Management,Shanghai,China,200240) ,  He Weihui (Shanghai Jiao Tong University,Department of Industrial Engineering & Management,Shanghai,China,200240) ,  Qiu Siqi (Shanghai Jiao Tong University,Department of Industrial Engineering & Management,Shanghai,China,200240) ,  Liu Bo (Shanghai Jiao Tong University,Department of Industrial Engineering & Management,Shanghai,China,200240)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-8  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： 転がり軸受のための従来の故障診断方法は,通常,圧延軸受の作動条件がしばしば変化するので,同じ分布を追跡するための試験データと訓練データを必要とする。したがって,異なるデータ分布のための故障診断伝統的方法の低い性能を克服するために,移動学習に基づく故障診断方式を本論文で提案した。そして,著者らのアプローチの主なアイデアは,可変作動条件の下で軸受故障を診断するために,共同分布適応とサポートベクトルマシンを結合することである。本研究では,カーネル-JDAを用いて,限界および条件付き分布の両方を考慮したデータセットの分布間の差を低減し,一方,カーネル-JDAのパラメータを最適化し,性能を改善した。さらに,時間領域特徴および相対的ウェーブレットパケットエネルギーを含むマルチ特徴を,故障診断のために最初に構築した。カーネル-JDAを通してマルチ特徴を写像した後に,SVMを利用して,種々の作動条件の下で転がり軸受の故障を診断する。さらに,転がり軸受の振動信号データセットの比較実験を行い,サンプルセットの正常および小サイズの両方に対するこの方法の有効性と適用性を検証した。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： 最適化 ,  学習 ,  *故障 ,  *転がり軸受 ,  *軸受 ,  圧延 ,  *故障診断 ,  有効性 ,  比較試験 ,  サポートベクトルマシン
準シソーラス用語： 訓練データ ,  運転条件 ,  試験データ ,  時間領域 ,  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 (7件)： 分布 ,  適応 ,  SVM ,  可変 ,  作業条件 ,  転がり軸受 ,  故障診断