文献

J-GLOBAL ID：202002287128197136   整理番号：20A2698670

プロセスデータモデリングにおける品質関連特徴学習のための非線形相関メトリックスを用いたNVW-SAEの開発【JST・京大機械翻訳】

Development of NVW-SAEs with nonlinear correlation metrics for quality-relevant feature learning in process data modeling

著者 (3件)： Yuan Xiaofeng (School of Automation, Central South University, Changsha, People’s Republic of China, 410083) ,  Ou Chen (School of Automation, Central South University, Changsha, People’s Republic of China, 410083) ,  Wang Yalin (School of Automation, Central South University, Changsha, People’s Republic of China, 410083)
資料名： Measurement Science and Technology  (Measurement Science and Technology)
巻： 32  号： 1  ページ： 015006 (14pp)  発行年： 2020年 
JST資料番号： C0354C  ISSN： 0957-0233  CODEN： MSTCEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： ソフトセンサは,現代の工業プロセスモデリングにおける測定が困難な品質変数を予測するための信頼できるツールになった。特徴表現は,正確なソフトセンサモデルを構築する重要なステップである。過去10年間,深層学習はソフトセンサモデリングのための特徴抽出器の大きな能力を示している。しかしながら,ほとんどの既存の深層ネットワークは,出力予測のために品質関連特徴を捉えることができない。この問題を取り扱うために,可変重み付け積層オートエンコーダ(VW-SAE)を,深層品質関連特徴を学習するために以前に提案して,その中で,可変加重目的関数を設計して,層によって品質関連特徴層を学習した。しかし,線形相関だけが,品質関連特徴を完全に抽出するのに不十分である可変重みづけに対して考慮されている。本論文では,非線形VW-SAEs(NVW-SAEs)を構築し,深層品質関連特徴に対する学習能力を強化し,その中で,3つの相関メトリックを用いて,非線形変数関係を測定し,深い品質関連特徴を学習した。予測結果は,NVW-SAEsがプロセスデータから品質関連特徴を効果的に抽出できることを示した。NVW-SAEsの有効性を検証するために,2つの公開データセットと産業的除算器を用いた。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  ネットワーク ,  特徴抽出 ,  除算器 ,  目的関数 ,  重みづけ ,  深層 ,  有効性
準シソーラス用語： ソフトセンサ ,  学習能力 ,  メトリックス ,  *ホップ数 ,  特徴表現 ,  深層学習 ,  自己符号化器 , 【Automatic Indexing@JST】

分類 (3件)： 弾性表面波デバイス  (NC03120T) ,  光導波路,光ファイバ,繊維光学  (BD06030H) ,  流体の実験・試験・測定方法及び装置  (BC01020K)

タイトルに関連する用語 (7件)： プロセス ,  データモデリング ,  学習 ,  線形相関 ,  メトリックス ,  SAE ,  開発