文献

J-GLOBAL ID：202102213911993100   整理番号：21A1277357

深い機能自動エンコーダに基づく転がり要素軸受の知的故障診断のための新しい教師なし学習法【JST・京大機械翻訳】

A novel unsupervised learning method for intelligent fault diagnosis of rolling element bearings based on deep functional auto-encoder

著者 (5件)： Aljemely Anas H. (School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Xuan Jianping (School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Jawad Farqad K. J. (School of Civil Engineering and Mechanics, Huazhong University of Science and Technology, Wuhan, China) ,  Al-Azzawi Osama (School of Civil Engineering and Mechanics, Huazhong University of Science and Technology, Wuhan, China) ,  Alhumaima Ali S. (School of Electronic Engineering and Computer Science, South Ural State University, Chelyabinsk, Russia)
資料名： Journal of Mechanical Science and Technology  (Journal of Mechanical Science and Technology)
巻： 34  号： 11  ページ： 4367-4381  発行年： 2020年 
JST資料番号： W1151A  ISSN： 1738-494X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 最近,教師なし学習技術に基づく転がり要素軸受の故障同定モデルの開発を試みた。しかし,正確な知的故障診断システムは,まだ大きな課題である。本研究では,大規模生振動信号からの貴重な特徴抽出のために,ソフトMax分類器による深い機能的自動エンコーダ(DFAE)モデルを設計した。提案モデルの教師なし特徴学習能力を最大化するために,様々な活性化関数を効果的方法論に適用して,これらの隠れ活性化関数は訓練データセットのスパース性を著しく強化した。提案方法を,異なる軸受条件を有する機械から測定した生振動信号を用いて検証した。達成された結果は,大規模入力データセットによる分類精度に関して,標準深層学習および他の伝統的故障診断法と比較して,提案モデルの高度優位性を示した。Copyright The Korean Society of Mechanical Engineers and Springer-Verlag GmbH Germany, part of Springer Nature 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *故障 ,  *軸受 ,  *故障診断 ,  *教師なし学習 ,  特徴抽出 ,  *符号器
準シソーラス用語： 訓練データ ,  スパース性 ,  学習能力 ,  活性化関数 ,  分類精度 ,  振動信号 ,  入力データ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 転がり要素軸受 ,  知的診断の改善 ,  深い機能的自動エンコーダ ,  教師なし学習強化 ,  大量の生データ分析

分類 (3件)： 軸受  (QB01020W) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： エンコーダ ,  転がり ,  要素 ,  軸受 ,  故障診断 ,  教師なし学習