文献

J-GLOBAL ID：202102265494734509   整理番号：21A0567342

ハイブリッド特徴生成とK-メドイドクラスタリングによる高速K最近傍に基づく故障分類方法【JST・京大機械翻訳】

Fault Classification Method based on Fast K-Nearest Neighbor with Hybrid Feature Generation and K - Medoids Clustering

著者 (5件)： Zhou Zhe (School of Engineering, Huzhou University,Huzhou,China) ,  Zeng Fanliang (School of Automation, Hangzhou Dianzi University,Huzhou,China) ,  Huang Jiacheng (School of Engineering, Huzhou University,Huzhou,China) ,  Zheng Jinhui (School of Automation, Hangzhou Dianzi University,Huzhou,China) ,  Li Zuxin (School of Engineering, Huzhou University,Huzhou,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： YAC  ページ： 568-573  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： 産業におけるプロセス故障の迅速で正確な分類は,信頼できる運転を確保するために重要である。従来のK-最近傍(KNN)アルゴリズムは,分類すべきサンプル間の距離と正常運転条件(NOC)下で得られたすべての訓練サンプルを計算する必要がある。NOC試料の数が大きいとき,大きな計算コストがこのステップに含まれている。これに狙いを定めて,既存の方法は,KNNの計算コストを減らすために,クラスタリングアルゴリズムを用いて訓練サンプルを減らす。しかし,訓練サンプルの減少は,通常,故障分類の精度の減少につながる。Mis分類は工業プロセスの正常な生産と安全性に直接影響する。この目的のために,ハイブリッド特徴生成とK-Medoidsに基づく高速KNN故障分類法を提案した。最初に,ReliefFアルゴリズムと線形判別分析アルゴリズムを結合したハイブリッド特徴生成法を用いて,サンプル特徴を選択し,抽出して,このように,分離性クラスを強化して,故障分類の精度を改善した。次に,K-Medoidクラスタリングアルゴリズムを用いて,少数の代表的訓練サンプルを選択し,KNNアルゴリズムの計算複雑性を減らした。最後に,このシミュレーションをTennessee-Eastmanプロセスに関して実行して,それはこの提案アルゴリズムが他の関連した4つの方法より優れていて,より高い分類精度を保持しながら,基本的KNNアルゴリズムよりもはるかに少ない実行時間しか消費しないことを立証した。Copyright 2021 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： アルゴリズム ,  *故障 ,  計算量
準シソーラス用語： 実行時間 ,  分類精度 ,  計算コスト ,  線形判別分析 ,  クラスタリングアルゴリズム ,  *故障分類 , 【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 (2件)： 故障 ,  分類方法