文献

J-GLOBAL ID：202002278676176239   整理番号：20A2797069

回転機械における故障特徴の定量化に基づく故障診断【JST・京大機械翻訳】

Fault diagnosis based on the quantification of the fault features in a rotary machine

著者 (3件)： Lee Jongsu (Department of Printed Electronics Engineering, Sunchon National University, 255, Jungang-ro, Suncheon, Jeollanam-do, 540-950, South Korea) ,  Park Byeonghui (Department of Mechanical Design and Production Engineering., Konkuk University, 120, Neungdong-ro, Gwangjin-gu, Seoul, 05029, South Korea) ,  Lee Changwoo (Department of Mechanical Engineering, Konkuk University, 120, Neungdong-ro, Gwangjin-gu, Seoul, 05029, South Korea)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 97  号： PB  ページ： Null  発行年： 2020年 
JST資料番号： W2175A  ISSN： 1568-4946  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： 回転機械の故障診断は,欠陥回転機械を固定し,回転システムを破壊から保護するのに不可欠である。最近,故障診断技術は,伝統的方法から人工知能技術に移った。多くの研究グループは,診断性能を改善するための様々な人工知能ベースの分類器の開発に関して報告されてきた。分類器設計において,標準または故障特徴を含むデータセットを選択することは,高性能分類器を得るために不可欠である。しかし,データセットの品質を評価する技術に関する研究はほとんどない。本研究では,測定データの故障無しおよび故障特徴を定量化するための故障厳しさ基準を開発した。提案した基準を用いて,回転機械における代表的故障の支配的方向を決定した。各故障の支配的方向を考慮して,標準と故障データを得た。故障特徴を示す固有モード関数(IMF)を経験的モード分解と高感度IMF選択基準により得た。最後に,抽出したデータを用いて正確でメモリ効率の良い分類器を設計し,7.5kWサーボモータを診断することによりその性能を検証した。従来のサポートベクトルマシンを用いて,分類器の性能改善に及ぼす提案アルゴリズムの効果を検証した。開発した分類器は,99.9%の検出率で,任意の方向で測定した訓練データセットを用いた分類器と比較して,平均51.9%の性能向上を示した。研究結果は,故障特徴の定量化に基づく提案した分類器設計技術が,高品質訓練データセット,機械学習,および深層学習ベース分類器の作成に有用であることを示唆する。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： アルゴリズム ,  *故障 ,  回転機械 ,  サーボモータ ,  *故障診断 ,  選択基準 ,  人工知能 ,  高感度 ,  機械学習 ,  サポートベクトルマシン
準シソーラス用語： 訓練データ ,  高品質 ,  検出率 ,  経験的モード分解 ,  固有モード関数 , 【Automatic Indexing@JST】

著者キーワード (5件)： データ評価 ,  経験的モード分解 ,  故障診断 ,  回転機械 ,  サポートベクトルマシン

分類 (5件)： 信頼性  (KB04040H) ,  その他のシステムプログラミング  (JD03070M) ,  軸受  (QB01020W) ,  人工知能  (JE08000Z) ,  歯車,歯車装置  (QB01060O)

タイトルに関連する用語 (4件)： 回転機械 ,  故障 ,  定量化 ,  故障診断