文献

J-GLOBAL ID：202202212386244011   整理番号：22A0398011

機械の不均衡故障診断のためのパレート最適適応損失残差収縮ネットワーク【JST・京大機械翻訳】

Pareto-Optimal Adaptive Loss Residual Shrinkage Network for Imbalanced Fault Diagnostics of Machines

著者 (5件)： Yu Yaoxiang (Southwest Jiaotong University, Chengdu, China) ,  Guo Liang (Southwest Jiaotong University, Chengdu, China) ,  Gao Hongli (Southwest Jiaotong University, Chengdu, China) ,  Liu Yuekai (Southwest Jiaotong University, Chengdu, China) ,  Feng Tingting (Southwest Jiaotong University, Chengdu, China)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 18  号： 4  ページ： 2233-2243  発行年： 2022年 
JST資料番号： W1434A  ISSN： 1551-3203  CODEN： ITIICH  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： 機械故障診断の工業的応用において,機械は,ほとんどの時間において通常条件において作業した。換言すれば,収集したデータセットの大部分は高度に不均衡である。深層学習は知的診断に広く適用されてきたが,このような不均衡状況には不適当である。さらに,診断モデルにおけるパラメータを決定する試みはほとんどない。このような問題を解決するため,Pareto最適適応損失残差収縮ネットワーク(PALRSN)を提案した。最初に,固定長さベース符号化法を,PALRSNの候補アーキテクチャを表現するために実行した。次に,最適PALRSNアーキテクチャを探索するための最適化ターゲットとして,不均衡データセット上で,モデル複雑性と同定性能を表す多重蓄積演算とGmean値をそれぞれ選択した。訓練プロセスにおいて,適応損失関数は,少数サンプルを強調するために,それらの数不一致に従って,すべてのカテゴリーで異なる誤分類コストを割り当てる。提案方法を,種々の不均衡比を有するベアリングデータとフライス加工カッタデータによって検証する。実験結果は,そのようなアプローチが不均衡分類における最先端の方法より優れていることを証明した。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： 最適化 ,  損失関数 ,  *ネットワーク ,  軸受 ,  フライス加工 ,  *故障診断 ,  *残差 ,  演算 ,  多重化 ,  計算機アーキテクチャ
準シソーラス用語： 不均衡 ,  *Pareto最適 ,  複雑性 ,  不均衡データセット ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 電力系統一般  (NB02000E) ,  電力工学・電力事業一般  (NB01000X)

タイトルに関連する用語 (7件)： 均衡 ,  故障診断 ,  パレート最適 ,  適応 ,  損失 ,  残差 ,  収縮