文献

J-GLOBAL ID：202102289147133432   整理番号：21A2568732

広い3Axis振動信号入力を有する深層畳込みニューラルネットワークを用いた回転機械の故障診断【JST・京大機械翻訳】

Fault Diagnosis of Rotary Machines Using Deep Convolutional Neural Network with Wide Three Axis Vibration Signal Input

著者 (4件)： Kolar Davor (Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb, Ivana Lucica Street 5, 10002 Zagreb, Croatia) ,  Lisjak Dragutin (Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb, Ivana Lucica Street 5, 10002 Zagreb, Croatia) ,  Pajak Michal (Department of Thermal Technology, University of Technology and Humanities in Radom, Stasieckiego Street 54, 26600 Radom, Poland) ,  Pavkovic Danijel (Faculty of Mechanical Engineering and Naval Architecture, University of Zagreb, Ivana Lucica Street 5, 10002 Zagreb, Croatia)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 14  ページ： 4017  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 故障診断は,故障状態の早期検出と診断の可能性が時間と金銭の両方を節約できるので,回転機械における必須課題と考えられている。本研究は,回転機械のための深層学習ベースのデータ駆動故障診断のための開発と新しい技術を提示する。提案技法は,信号特徴を自動的に抽出して,高い分類精度を可能にする深層学習層に,高い定義1D画像として,生の3軸加速度計信号を入力する。他の研究者によって行われた研究とは異なり,次元6400 1,3の加速度計データマトリックスを,畳込みニューラルネットワーク訓練のための入力として使用した。畳み込みニューラルネットワークは入力マトリックスを通してパターンを認識することができるので,振動データを含む広い入力行列は良好な分類性能をもたらすことが期待される。畳み込みニューラルネットワーク(CNN)訓練モデルを用いて,4つのクラスの1つにおける分類を実行することができた。さらに,CNNのカーネル数をグリッド探索を用いて最適化し,予備的研究は,カーネルの交互数が分類結果に影響を与えることを示した。本研究は,生の3軸加速度計信号入力の分類のための畳み込み人工ニューラルネットワークを用いて,異なる回転機械状態の効果的分類を達成した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *畳込み ,  *故障 ,  回転機械 ,  加速度計 ,  *故障診断 ,  *ニューラルネットワーク ,  一次元 ,  予備調査
準シソーラス用語： 分類精度 ,  データ駆動 ,  *振動信号 ,  三軸加速度計 ,  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)： メンテナンス ,  回転機械 ,  故障診断 ,  畳込みニューラルネットワーク ,  分類

分類 (4件)： 人工知能  (JE08000Z) ,  計測機器一般  (AD02000X) ,  生体計測  (EL03020C) ,  ニューロコンピュータ  (JC06010Q)

引用文献 (38件)：

• Verma, N.; Subramanian, T.S.S. Cost benefit analysis of intelligent condition based maintenance of rotating machinery. In Proceedings of the 2012 7th IEEE Conference on Industrial Electronics and Applications, Singapore, 18-20 July 2012; pp. 1390-1394.
• Zhang, Z. Data Mining Approaches for Intelligent Condition-based Maintenance. Available online: https://ntnuopen.ntnu.no/ntnu-xmlui/handle/11250/240971 (accessed on 24 May 2020).
• Shao, S.; Sun, W.; Wang, P.; Gao, R.X.; Yan, R. Learning features from vibration signals for induction motor fault diagnosis. In Proceedings of the 2016 International Symposium on Flexible Automation (ISFA), Cleveland, OH, USA, 1-3 August 2016; pp. 71-76.
• Abdeljaber, O.; Avci, O.; Kiranyaz, S.; Gabbouj, M.; Inman, D.J. Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks. J. Sound Vib. 2017, 388, 154-170.
• Jardine, A.K.; Lin, D.; Banjevic, D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mech. Syst. Signal Process. 2006, 20, 1483-1510.

タイトルに関連する用語 (4件)： 振動信号 ,  深層畳込みニューラルネットワーク ,  回転機械 ,  故障診断