文献

J-GLOBAL ID：202202225804838734   整理番号：22A0203918

歯車ホビングプロセスの事例研究によるプロセス品質評価のための深層確率学習【JST・京大機械翻訳】

Deep Probabilistic Learning for Process Quality Evaluation With a Case Study of Gear Hobbing Process

著者 (4件)： Ren Hongji (State Key Laboratory of Mechanical Transmissions, College of Mechanical Engineering, Chongqing University, Chongqing, China) ,  Yin Aijun (State Key Laboratory of Mechanical Transmissions, College of Mechanical Engineering, Chongqing University, Chongqing, China) ,  Dai Zongxian (Chongqing Academy of Metrology and Quality Inspection, Chongqing, China) ,  Wang Yu (State Key Laboratory of Mechanical Transmissions, College of Mechanical Engineering, Chongqing University, Chongqing, China)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 18  号： 3  ページ： 1468-1478  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： 従来の半教師つき学習手法は,サンプル(多様体仮定,クラスタ仮定,および平滑仮定)の仮定への依存によって制限され,複雑なデータ特性を有する産業シナリオに来るとき,それらの完全な可能性に到達できない可能性がある。本論文では,条件付き変分自動エンコーダに基づいて,半教師つきプロセス品質評価フレームワークを提案した。ラベル推論プロセスを利用して,訓練段階中のラベルなしサンプルを処理し,評価段階でラベルを直接予測した。実数値非体積保存(Real NVP)を導入して,柔軟性を増加させるために後部分布を最適化した。提案フレームワークはデータ分布の仮定に依存せず,サンプルからの隠れ分布を学習する。歯車ホブリングシミュレーションと実験調査を行い,提案フレームワークの有効性を検証した。結果は,提案方法が他の最先端の手法と比較して顕著な分類性能を達成できることを示した。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： 最適化 ,  多様体 ,  変分法 ,  符号器 ,  柔軟性 ,  クラスタ ,  実数 ,  *事例研究 ,  深層 ,  有効性
準シソーラス用語： *確率学習 ,  *品質評価 ,  半教師つき学習 ,  評価枠組み , 【Automatic Indexing@JST】

分類 (1件)： ネットワーク法  (KA03040X)

タイトルに関連する用語 (7件)： 歯車 ,  ホビング ,  プロセス ,  研究 ,  品質評価 ,  深層 ,  確率学習