文献

J-GLOBAL ID：202202229976042926   整理番号：22A0913364

多機能故障診断のための1クラス生成敵対検出フレームワーク【JST・京大機械翻訳】

A One-Class Generative Adversarial Detection Framework for Multifunctional Fault Diagnoses

著者 (4件)： Pu Ziqiang (College of Mechanical and Electrical Engineering, Zhengzhou University of Light Industry, Zhengzhou, China) ,  Cabrera Diego (GIDTEC Group, Universidad Polite ́cnica Salesiana, Cuenca, Ecuador) ,  Bai Yun (Faculty of Science and Technology, University of Algarve, Faro, Portugal) ,  Li Chuan (College of Mechanical and Electrical Engineering, Zhengzhou University of Light Industry, Zhengzhou, China)
資料名： IEEE Transactions on Industrial Electronics  (IEEE Transactions on Industrial Electronics)
巻： 69  号： 8  ページ： 8411-8419  発行年： 2022年 
JST資料番号： C0234A  ISSN： 0278-0046  CODEN： ITIED6  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： 本論文では,故障診断は,システム健全性維持のために非常に重要である。実際の応用では,診断精度は不均衡なデータパターンに悩まされ,そこでは,通常データが異常のものより通常豊富であり,大きな診断障害をもたらす。したがって,この不均衡条件の下での故障診断のための正常データだけを使用することは,挑戦的である。さらに,単一故障診断モデルは,ほとんどの場合,1つの故障診断タスクを実施できる。従って,半教師つき学習に基づく1クラス生成敵対検出(OCGAD)フレームワークを提案し,複数の半教師つき故障診断タスク,即ち,通常の知識学習のみを用いた故障検出,未知の条件付きデータからの新規性検出,およびラベルなしデータによる故障分類のみを用いた故障検出を学習した。双方向生成敵対ネットワーク(Bi-GAN)は,まず正常データだけで訓練される。次に,多機能故障検出のための姿勢センサから得た信号からBi-GANによって正確な特徴を用いて,1クラスサポートベクトルマシンを確立した。提示されたOCGADモデルを,3つの故障検出タスクの実験によって,工業用ロボットを用いて検証した。結果は,本モデルが複数の半教師つき診断問題を扱うのに良い性能を持つことを示した。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： 検出 ,  学習 ,  *故障 ,  ネットワーク ,  分類 ,  信号 ,  産業用ロボット ,  *故障診断 ,  故障検出 ,  診断 ,  健全性
準シソーラス用語： 不均衡 ,  多機能 ,  半教師つき学習 ,  故障分類 , 【Automatic Indexing@JST】

分類 (1件)： 信頼性  (KB04040H)

タイトルに関連する用語 (5件)： 多機能 ,  故障診断 ,  クラス ,  敵対 ,  フレームワーク