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。
転がり軸受の故障診断は,機械的条件監視のための予測保全を実現するための重要な技術である。実際の産業システムにおいて,転がり軸受の故障診断のための主な課題は,精度とリアルタイム要求に係る。ほとんどの既存の方法は,精度を確実にすることに焦点を当て,実時間要求はしばしば無視される。本論文では,両要件を考慮して,極端学習機械(ELM)とロジスティックマッピングに基づく回転軸受の新しい高速故障診断法を提案した。最初に,機械的振動原理に従って元の振動信号から14種類の時間領域特徴を同定し,基本予測精度と効率を確保するために,それらから最適特徴を選択するために逐次フォワード選択(SFS)戦略を採用した。次に,ELMのバイアスを省略し,ランダム入力重みを,より少ない隠れニューロンでより正確な結果を得るために,より高い非相関を含むカオスロジスティックマッピングシーケンスによって置換する高速故障分類のためのロジスティック-ELMを提案した。ケースウェスタン保護大学(CWRU)Bearing Data Centreの転がり軸受振動信号データセットに関する広範な実験を行った。実験結果は,提案した方式が予測精度に関して既存のSOTA比較方法より優れていて,最も高い精度は7つの別々のサブデータ環境において100%であることを示した。関連するコードは,https://github.com/TAN OpenLab/logistic ELMで公的に利用できる。【JST・京大機械翻訳】