文献

J-GLOBAL ID：202202240091132473   整理番号：22A0918011

限られたラベル付きデータを持つ回転機械の知的故障診断のための自己教師つき学習【JST・京大機械翻訳】

Self-supervised learning for intelligent fault diagnosis of rotating machinery with limited labeled data

著者 (5件)： Li Guoqiang (School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Wu Jun (School of Naval Architecture and Ocean Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Deng Chao (School of Mechanical Science and Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Wei Meirong (School of Naval Architecture and Ocean Engineering, Huazhong University of Science and Technology, Wuhan, China) ,  Xu Xuebing (School of Naval Architecture and Ocean Engineering, Huazhong University of Science and Technology, Wuhan, China)
資料名： Applied Acoustics  (Applied Acoustics)
巻： 191  ページ： Null  発行年： 2022年 
JST資料番号： D0559A  ISSN： 0003-682X  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： 教師つき学習ベースの方法は回転機械の故障診断に広く用いられている。これらの方法の性能は,通常,ラベル付き故障サンプルに依存する。しかし,故障サンプルのラベリングは,事前知識とエキスパート経験のサポートを必要とし,十分なラベル付き故障サンプルを得ることは tedious雑である。本論文では,GIDIM-CNNという知的故障診断法を,振動信号のグレースケール画像(GI),深いInfoMax(DIM)と畳込みニューラルネットワーク(CNN)と呼ばれる自己監督学習(SSL)法に基づいて提案した。特に,振動信号をサンプリングし,開発した信号対画像法によりGIに変換した。次に,CNNベースの特徴符号器を,導入したDIMを用いて訓練し,その中で,新しい損失関数を,異なるラベルなしGIサンプルの最大相互情報と統計的制約を考慮することによって設計した。最後に,限られたラベル付きGIサンプルを用いて,訓練された特徴符号器と故障分類器を結合することにより構築した望ましいモデルを最適化した。ギアボックスと軸受に関する実験的研究は,提案方法が良い診断性能を持ち,限られたラベル付きサンプルによって引き起こされたモデル訓練問題を軽減することを示した。一方,提案方法は,診断精度を改善するために,限られたラベル付きサンプルで異なる故障診断タスクに拡張できる。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： 最適化 ,  *学習 ,  *故障 ,  損失関数 ,  軸受 ,  ラベリング ,  特性 ,  *故障診断 ,  *教師つき学習 ,  符号器 ,  歯車箱
準シソーラス用語： 事前知識 ,  振動信号 ,  故障分類 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 自己教師つき学習 ,  特徴エンコーダ ,  非ラベル故障データ ,  故障診断

分類 (3件)： 変圧器  (NB08020Q) ,  その他の音響応用  (BB03100I) ,  音波物性一般  (BL02010H)

タイトルに関連する用語 (5件)： ラベル ,  回転機械 ,  故障診断 ,  自己 ,  教師つき学習