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。
スマート製造の急速な発展により,データ駆動機械健康管理は,ますます注目されている。機械健康管理における最も一般的な方法の1つとして,深層学習(DL)は顕著な成功を達成した。しかし,限られたサンプルの問題と音響信号の異なるキャビテーション状態の貧弱な分離性のために,キャビテーション強度認識とキャビテーション検出のためのDLモードの最終的性能を大いに妨げる。本研究では,1-D二重階層残差ネットワーク(1-D DHRN)を用いた同時キャビテーション検出とキャビテーション強度認識フレームワークのための新しいマルチタスク学習フレームワークを提案し,弁音響信号を解析した。最初に,高速Fourier変換(Swin-FFT)によるスライディングウィンドウに基づくデータ増強法を,本研究で直面する小サンプル問題を軽減するために開発した。第2に,1D二重階層残差ブロック(1-D DHRB)を構築して,弁の周波数領域音響信号から敏感な特徴を捕えた。次に,1-D DHRNの新しい構造を提案した。最後に,考案された1D DHRNを,雑音のない弁音響信号の2つのデータセット(Dataset 1とデータセット2)とSAMSON AG(Frankfurt)によって提供された現実的な周囲のノイズ(Dataset3)を有する弁音響信号の1つのデータセットに関して評価した。著者らの方法は最先端の結果を達成した。キャビテーション強度認識に対する1-D DHRNの予測精度は93.75%,94.31%および100%と高く,これは1-D DHRNが他のDLモデルおよび従来法より優れていることを示している。同時に,キャビテーション検出のための1-D DHRNの試験精度は,97.02%,97.64%および100%と高かった。さらに,1D DHRNを試料の異なる周波数に対して試験し,携帯電話が収容できる試料の周波数に対する優れた結果を示した。【JST・京大機械翻訳】