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。
機械学習技術に基づく従来の故障診断モデルは,種々の作業条件の下でデータサンプルに適用するのが難しい。より少ない計算資源を提供できる作業環境において,アルゴリズムのパラメータスケールは制限され,転送診断の困難さはさらに増加する。この目的のために,本論文では,PMSPB-CNN(並列マルチスケールプール分岐に基づく畳込みニューラルネットワークベース)に基づく転送診断法を提案し,より少ない計算コストで多重作動条件下で機械的振動信号故障診断問題を解決した。PMSPB-CNNは,従来の1D-CNNで使用される基本的畳込みモジュールを置き換えるために,並列マルチスケールプールブランチ(PMSPB)構造を導入した。PMSPB構造における多重並列経路は,異なる粒状性を有する高レベル特徴を採掘するために,異なるスケールとプール化方法によるプール層を含む。この構造で訓練する必要があるネットワークパラメータはなく,計算資源を大幅に節約し,過剰適合のリスクを低減する。事前訓練された特徴マイニングユニットを凍結して,故障同定ユニットのパラメータを微調整する移動学習戦略に基づいて,PMSPB-CNNは,複数の作業条件の下で類似の故障サンプルに関して高精度故障診断を実行することができた。実験結果は,PMSPB-CNNのパラメータ数が774であり,転送診断のために再最適化する必要のあるパラメータの数は,わずか360であることを示した。しかしながら,既存の方法と比較して,事前訓練ネットワークが他の作動条件の下で故障を診断するために直接使用されるとしても,PMSPB-CNNの精度は,それぞれ73.2%と97.8%に達する2つの検証データセットに高レベルを維持した。故障同定ユニットを微調整した後に,PMSPB-CNNは100%の転送診断精度を達成できる。さらに,機構解析実験結果は,異なる作業条件の下でのデータを扱うとき,最良の分類性能を有するPMSPB構造におけるプール層が正確に同じではないことを示した。さらに,凍結特徴マイニングユニットの出力特徴は,故障同定ユニットを微調整する前に既に高度に認識できる。これらの結論は,PMSPB構造がネットワークに対して十分なフォールトトレランスと柔軟性を提供し,それによってPMSPB-CNNの一般化を改善することを証明した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】