文献

J-GLOBAL ID：202202210949325208   整理番号：22A0847895

教師なしシーケンスセグメンテーション畳込みニューラルネットワークに基づく回転機械の早期故障検出法【JST・京大機械翻訳】

An Early Fault Detection Method of Rotating Machines Based on Unsupervised Sequence Segmentation Convolutional Neural Network

著者 (4件)： Song Wenbin (Department of Industrial and Manufacturing Systems Engineering, School of Mechanical Science and Engineering, State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Shen Weiming (Department of Industrial and Manufacturing Systems Engineering, School of Mechanical Science and Engineering, State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Gao Liang (Department of Industrial and Manufacturing Systems Engineering, School of Mechanical Science and Engineering, State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China) ,  Li Xinyu (Department of Industrial and Manufacturing Systems Engineering, School of Mechanical Science and Engineering, State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan, China)
資料名： IEEE Transactions on Instrumentation and Measurement  (IEEE Transactions on Instrumentation and Measurement)
巻： 71  ページ： ROMBUNNO.3504712.1-12  発行年： 2022年 
JST資料番号： C0232A  ISSN： 0018-9456  CODEN： IEIMAO  資料種別： 逐次刊行物 (A)
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： 早期故障検出(EFD)は,ダウンタイムを減らし,安定性を増すための機械システムにとって重要である。回転機械のためのEFDの主な課題は,早期故障を同定するために,雑音の多い信号から識別特徴を抽出することである。しかし,全ライフサイクルデータに対するラベルの欠如は,EFDにおけるいくつかの強力な教師つき深層学習法の適用を妨げる。さらに,多くのEFD法は,初期故障が発生したかどうかを判断するために,閾値のような手動を手動で設定しなければならない。これらの課題に対処するために,本論文では教師なし配列セグメンテーション畳込みニューラルネットワーク(USSCNN)に基づく新しいEFD法を提案した。最初に,周波数領域特徴を生信号から抽出して,二次元灰色画像に変換した。次に,歴史的ライフサイクルデータをUSSCNNによってラベル付けし,CNN分類器をこれらのラベル付きデータで訓練できる。CNN分類器により学習された歴史的データの深い特徴を利用して,健康指標(HI)評価モデルを訓練した。提案方法を3つの軸受データセットでテストした。結果は,提案方法がより低い誤り警報で比較方法より早く初期故障を検出できることを示した。また,HI評価モデルにより学習されたHIは,提案した方法がEFDの識別特徴を抽出できることを示した。より重要なことに,提案方法は,手動基準作成を避けるよく訓練された分類器によって早期故障を検出することができる。比較の結果は,提案した方法の有効性とロバスト性を示した。Copyright 2022 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： 雑音 ,  閾値 ,  *故障 ,  初期故障 ,  *セグメンテーション ,  軸受 ,  *ニューラルネットワーク ,  *故障検出 ,  二次元 ,  停止時間 ,  ロバスト性 ,  周波数領域
準シソーラス用語： 誤警報 ,  評価モデル ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 軸受  (QB01020W)

タイトルに関連する用語 (7件)： 教師 ,  シーケンス ,  セグメンテーション ,  畳込みニューラルネットワーク ,  回転機械 ,  早期 ,  故障検出