文献

J-GLOBAL ID：202102276678218672   整理番号：21A1799082

軸受故障検出のための物理学情報深層学習アプローチ【JST・京大機械翻訳】

A physics-informed deep learning approach for bearing fault detection

著者 (12件)： Shen Sheng (Department of Mechanical Engineering, Iowa State University, Ames, IA 50011, USA) ,  Lu Hao (Department of Mechanical Engineering, Iowa State University, Ames, IA 50011, USA) ,  Lu Hao (Department of Electrical and Computer Engineering, Iowa State University, Ames, IA 50011, USA) ,  Sadoughi Mohammadkazem (Department of Mechanical Engineering, Iowa State University, Ames, IA 50011, USA) ,  Hu Chao (Department of Mechanical Engineering, Iowa State University, Ames, IA 50011, USA) ,  Hu Chao (Department of Electrical and Computer Engineering, Iowa State University, Ames, IA 50011, USA) ,  Nemani Venkat (Department of Mechanical Engineering, Iowa State University, Ames, IA 50011, USA) ,  Thelen Adam (Department of Mechanical Engineering, Iowa State University, Ames, IA 50011, USA) ,  Webster Keith (Department of Agricultural and Biosystems Engineering, Iowa State University, Ames, IA 50011, USA) ,  Darr Matthew (Department of Agricultural and Biosystems Engineering, Iowa State University, Ames, IA 50011, USA) ,  Sidon Jeff (John Deere Intelligent Solutions Group, Johnston, IA 50023, USA) ,  Kenny Shawn (John Deere Des Moines Works, Ankeny, IA 50023, USA)
資料名： Engineering Applications of Artificial Intelligence  (Engineering Applications of Artificial Intelligence)
巻： 103  ページ： Null  発行年： 2021年 
JST資料番号： T0797A  ISSN： 0952-1976  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： 近年,コンピュータ技術の進歩と大きなデータの出現は,深い学習を可能にして,軸受状態監視と故障検出における印象的な成功を達成した。既存の深層学習手法は,軸受故障を効率的に検出および分類できるが,これらの手法の大部分は,データに専ら依存し,学習および予測プロセスに物理的知識を組み入れることができない,そして,より重要なことに,モデル訓練プロセスに軸受故障の物理的知識を埋め込むこと,そしてそれは,このモデルを物理的に意味づける。この課題に取り組むために,軸受故障検出のための簡単な閾値モデルと深い畳込みニューラルネットワーク(CNN)モデルから成る物理情報化深層学習手法を提案した。提案した物理情報深層学習手法において,閾値モデルは,軸受故障の既知の物理学に基づく軸受の健全性クラスを最初に評価する。次に,CNNモデルは,入力データから高レベル特性特徴を自動的に抽出して,軸受の健全性クラスを予測するために,これらの特徴を完全に利用した。著者らは,CNNモデルにこの知識を埋め込むとき,閾値モデルによって同化された物理的知識の効果を選択的に増幅するCNNモデルを訓練し,検証するための損失関数を設計した。提案した物理情報化深層学習アプローチを,(1)圃場で運転する農業機械上の18の軸受からのデータ,および(2)ケースウェスタン保護大学(CWRU)Bearing Data Centerにおける実験室試験台上の軸受からのデータを使って検証した。Copyright 2021 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： *故障 ,  損失関数 ,  *軸受 ,  農業機械 ,  *故障検出 ,  健全性
準シソーラス用語： 情報化 ,  状態監視 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層学習 ,  物理的知識 ,  健康モニタリング ,  故障検出 ,  軸受

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 軸受 ,  故障検出 ,  物理学 ,  深層学習