文献

J-GLOBAL ID：202102289401385885   整理番号：21A1867028

振動信号の特徴学習のための深層形態学的畳込みネットワークと歯車箱故障診断への応用【JST・京大機械翻訳】

Deep morphological convolutional network for feature learning of vibration signals and its applications to gearbox fault diagnosis

著者 (2件)： Ye Zhuang (School of Mechanical Engineering, Tongji University, Shanghai 201804, PR China) ,  Yu Jianbo (School of Mechanical Engineering, Tongji University, Shanghai 201804, PR China)
資料名： Mechanical Systems and Signal Processing  (Mechanical Systems and Signal Processing)
巻： 161  ページ： Null  発行年： 2021年 
JST資料番号： T0514A  ISSN： 0888-3270  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： 振動信号は機械故障診断のために広く利用される。これらの典型的な深層ニューラルネットワーク(DNN),例えば畳み込みニューラルネットワーク(CNN)は,機械故障診断のための振動信号の特徴学習においてよく機能する。しかし,実際の産業から収集された振動信号は,しばしば雑音と非定常である。多くの振動信号から特徴抽出と雑音低減を実装するためのCNNの挑戦的な問題である。本論文では,新しいDNN,深い形態学的畳込みネットワーク(DMCNet)を,ギアボックス振動信号の特徴学習のために提案した。最初に,異なる形態操作(すなわち,開口と閉鎖)を有する2つの並列ブランチを採用して,ノイズをフィルタリングして,振動信号に関する特徴マッピングを実行した。形態学的操作の構造要素は,バックプロパゲーション学習アルゴリズムを使用することによって,ネットワーク訓練において更新することができた。第二に,尖度ベースの特徴融合法を提案し,強い衝撃特徴を有するチャネルを強化する。最後に,再較正残差学習を形態学的特徴マップ上の特徴学習のためにさらに提案し,そこで再較正スキップ接続を特徴選択に用いた。実験結果は,DMCNetがギアボックス振動信号の特徴希薄化を良好に実行でき,最先端のCNNsより優れていることを示した。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： 雑音 ,  *畳込み ,  *学習 ,  *ネットワーク ,  *故障診断 ,  フィルタリング ,  特徴抽出 ,  残差 ,  雑音低減 ,  *歯車箱 ,  逆伝搬法 ,  学習アルゴリズム ,  *モルフォロジー
準シソーラス用語： 尖度 ,  *振動信号 , 【Automatic Indexing@JST】

著者キーワード (5件)： ギアボックス故障診断 ,  深層学習 ,  特徴学習 ,  形態学的フィルタ ,  畳込みニューラルネットワーク

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： 振動信号 ,  学習 ,  深層 ,  形態学 ,  畳込み ,  歯車箱 ,  故障診断 ,  応用