文献

J-GLOBAL ID：202102211442045051   整理番号：21A0178355

確率的混合モデルと半教師つきはしごネットワークに基づく転がり軸受故障診断【JST・京大機械翻訳】

Rolling bearing fault diagnosis based on probabilistic mixture model and semi-supervised ladder network

著者 (11件)： Ding Xu (Anhui Province Key Lab of Aerospace Structural Parts Forming Technology and Equipment, Hefei University of Technology, Hefei, China) ,  Ding Xu (Institute of Industry and Equipment Technology, Hefei University of Technology, Hefei, China) ,  Lu Xuesong (Anhui Province Key Lab of Aerospace Structural Parts Forming Technology and Equipment, Hefei University of Technology, Hefei, China) ,  Lu Xuesong (Institute of Industry and Equipment Technology, Hefei University of Technology, Hefei, China) ,  Lu Xuesong (School of Mechanical Engineering, Hefei University of Technology, Hefei, China) ,  Wang Dong (Anhui Province Key Lab of Aerospace Structural Parts Forming Technology and Equipment, Hefei University of Technology, Hefei, China) ,  Wang Dong (Institute of Industry and Equipment Technology, Hefei University of Technology, Hefei, China) ,  Wang Dong (School of Mechanical Engineering, Hefei University of Technology, Hefei, China) ,  Lv Qingzhou (Institute of Intelligent Manufacturing, Huainan Union University, Huainan, China) ,  Zhai Hua (Anhui Province Key Lab of Aerospace Structural Parts Forming Technology and Equipment, Hefei University of Technology, Hefei, China) ,  Zhai Hua (Institute of Industry and Equipment Technology, Hefei University of Technology, Hefei, China)
資料名： Advances in Mechanical Engineering  (Advances in Mechanical Engineering)
巻： 12  号： 12  ページ： 1687814020977748  発行年： 2020年 
JST資料番号： W5122A  ISSN： 1687-8140  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： 回転軸受の故障診断は,回転機械の生産効率および個人安全性を確保するために非常に重要である。近年,機械学習は信号特徴抽出とパターン認識において大きな可能性を示し,それは大きいデータを扱う際に従来の故障診断法より優れている。しかし,現在の知的診断方法の大部分は,データセットとラベル情報を有する理想的な条件に基づいており,それは,しばしば工学的実践で常に利用できない。この問題に対応して,本論文は,軸受信号のデータ分布を近似するために確率的混合モデル(PMM)を使用することを提案し,次に,Markov連鎖モンテカルロ(MCMC)アルゴリズムを用いて,故障データセットを拡張する確率モデルをサンプリングした。さらに,半教師つきLadderネットワーク(SSLN)は,少数のラベル付きサンプルだけによる教師つき学習分類器の効果を達成できる。ケースウエスタン保護大学(CWRU)Bearingデータベースに基づいて,提案したPMM-SSLNモデルの認識精度は99.5%に達することができ,そして,実験結果は,このモデルが軸受データセットとラベル情報の両方が不十分である場合に適用できることを示した。Copyright The Author(s) 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  アルゴリズム ,  パターン認識 ,  *故障 ,  データベース ,  *ネットワーク ,  *転がり軸受 ,  *軸受 ,  *故障診断 ,  特徴抽出 ,  Markov連鎖 ,  教師つき学習 ,  確率モデル ,  機械学習
準シソーラス用語： *混合モデル , 【Automatic Indexing@JST】

著者キーワード (5件)： 転がり軸受 ,  故障診断 ,  確率的混合モデル ,  MCMC ,  半教師つきはしごネットワーク

分類 (2件)： 軸受  (QB01020W) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 確率 ,  混合モデル ,  教師 ,  はしご ,  転がり軸受 ,  故障診断