抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
カプセルネットワーク(CapsNet)は典型的な畳み込みニューラルネットワークに対する有望な代替として作用し,それは機械装置のための残りの有用な寿命(RUL)推定モデルを開発するための支配的ネットワークである。CapsNetは,高次元ベクトル埋込みを通してエンティティの階層的関係を表現する印象的な能力を有するが,劣化した機械装置から測定したランツー故障時系列の長期的時間的相関を捉えることは失敗する。一方,機械的動的挙動に隠された低周波情報を明らかにする遅い変化動力学は,既存のRUL推定モデルで見落とされ,先進ネットワークの最大能力を制限する。前述の懸念に取り組むために,正確なRUL推定のための測定から遅い変化動力学と時間動力学を同時に学習するために,Slow-変化動的支援時間CapsNet(SD-TemCapsNet)を提案した。最初に,故障発生の感度を考慮して,遅い変化特徴を,システムダイナミックスに対応する低周波成分を伝えるために,通常の生データから分解した。次に,長い短期メモリ(LSTM)機構をCapsNetに導入して時系列の時間相関を捉えた。この目的のために,航空機エンジンとフライス盤で行った実験は,提案したSD-TemCapsNetが主流の方法より優れていることを検証した。CapsNetと比較して,4つの異なるシナリオによる航空機エンジンの推定精度は,指数根平均二乗誤差に関して,それぞれ10.17%,24.97%,3.25%,および13.03%改善された。同様に,フライス加工機械の推定精度は,LSTMと比較して23.57%,CapsNetと比較して19.54%改善された。【JST・京大機械翻訳】