文献

J-GLOBAL ID：202202228107693547   整理番号：22A1049666

知的故障診断のための協調的および敵対的深層転送自動エンコーダ【JST・京大機械翻訳】

Collaborative and adversarial deep transfer auto-encoder for intelligent fault diagnosis

著者 (3件)： Ma Yulin (School of Reliability and Systems Engineering, Beihang University, Beijing 100191, China) ,  Yang Jun (School of Reliability and Systems Engineering, Beihang University, Beijing 100191, China) ,  Li Lei (School of Reliability and Systems Engineering, Beihang University, Beijing 100191, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 486  ページ： 1-15  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 深層移動学習は,データセットが種々の操作条件から収集される産業シナリオにおける共有故障知識を学習するための知的故障診断のための高度な分析ツールを提供する。以前のアプローチの大部分はドメインレベルでのドメイン不一致を最小化することから成るが,それらは局所カテゴリ特徴に対する誤ったマッピングを引き起こすかもしれない。最近,特徴識別可能性に優先順位をつけるために,分類不一致を用いて,バイ分類器によるいくつかの敵対学習アプローチを開発した。しかし,それらは分類不一致の制約された表現に悩まされ,ドメインギャップが大きいとき,カテゴリレベルの特徴を整列できない可能性がある。これらの弱点に取り組むために,知的故障診断のための畳み込み自動エンコーダ(CADTA)に基づく協調的および敵対的深層転送モデルを提案した。特に,多重タスク分類器の連結により,カテゴリレベル特徴識別可能性を促進するために,二重敵対学習を含む関節部分空間特徴識別法を提案した。次に,協調転送方式を構築して,ドメイン類似性学習と結合部分空間特徴識別を畳み込み自動エンコーダに階層的に統合し,その中で,ドメイン類似性学習を,高次モーメントに関して中間特徴表現を適応することによって達成した。効率的なモデル訓練のために,段階的敵対訓練プロセスを対応して提示した。2つの転がり軸受データセットと3つの転送故障診断事例に基づく多様な移動タスクの広範な実験は,CADTAが既存の最先端の深層転送学習法より優れていることを実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  学習 ,  *故障 ,  分類 ,  転がり軸受 ,  特性 ,  *故障診断 ,  *符号器 ,  結合部位 ,  類似性 ,  深層 ,  機械学習
準シソーラス用語： 解析ツール ,  マルチタスク ,  特徴表現 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 知的故障診断 ,  変動する運転条件 ,  深層学習 ,  敵対的伝達学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 故障診断 ,  協調 ,  敵対 ,  深層 ,  転送 ,  エンコーダ