文献

J-GLOBAL ID：202202248110418147   整理番号：22A1027514

原子力発電所における故障検出と診断に対するモデルベース深層移動学習法【JST・京大機械翻訳】

Model-Based Deep Transfer Learning Method to Fault Detection and Diagnosis in Nuclear Power Plants

著者 (4件)： Yao Yuantao (Institute of Nuclear Energy Safety Technology, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, China) ,  Ge Daochuan (Institute of Nuclear Energy Safety Technology, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, China) ,  Yu Jie (Institute of Nuclear Energy Safety Technology, Hefei Institutes of Physical Science, Chinese Academy of Sciences, Hefei, China) ,  Xie Min (Department of Advanced Design and System Engineering, City University of Hong Kong, Kowloon, Hong Kong SAR, China)
資料名： Frontiers in Energy Research (Web)  (Frontiers in Energy Research (Web))
巻： 10  ページ： 823395  発行年： 2022年 
JST資料番号： U7069A  ISSN： 2296-598X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 深層学習ベース核知的故障検出と診断(FDD)法は広く開発され,人工知能技術の進歩と非常に競合した結果を達成した。しかし,原子炉運転条件が更新されたとき,診断作業のための事前訓練モデルは,良い性能を達成するのに難しい。他方,新しいデータセットのためのモデルを再訓練することは,計算資源を浪費する。本論文は,最適化転送可能畳込みニューラルネットワーク(CNN)モデルに基づく交差条件および交差能力タスクのためのFDD法を提案した。最初に,事前訓練モデルの事前知識を用いて,ソースドメインデータセットのために転送されるモデル診断性能を改善した。第二に,モデルベースの移動学習戦略を採用して,訓練モデルの一部で特徴抽出層を凍結する。第3に,ターゲットドメインデータセットにおける訓練データを,移動層を有する最適化モデルを見つけるために,層によってモデル層を最適化するために使用した。最後に,提案した包括的シミュレーションプラットフォームは,事例研究をサポートするために,ソースとターゲット交差条件および交差能力データセットを提供した。設計したモデルは,深いネットワークの強い非線形特徴抽出性能を利用し,訓練の正確性と適時性を改善するために事前訓練モデルの事前知識を適用する。結果は,提案方法が再訓練ベンチマーク深いCNNモデルより,より少ない訓練期間において良い一般化性能を達成するのに優れていることを示す。Copyright 2022 The Author(s) 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 ,  データ ,  ネットワーク ,  特徴抽出 ,  凍結 ,  *故障検出 ,  人工知能 ,  *モデル ,  事例研究 ,  ベンチマーク ,  機械学習 ,  *原子力発電所
準シソーラス用語： 訓練データ ,  事前知識 ,  *モデルベース ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 故障検出と診断 ,  深層学習 ,  伝達学習 ,  凍結と微調整戦略 ,  原子力発電所

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (35件)：

• Correa-JullianC., CardemilJ. M., López DroguettE., BehzadM. (2020). Assessment of Deep Learning Techniques for Prognosis of Solar thermal Systems. Renew. Energ. 145, 2178-2191. doi: 10.1016/j.renene.2019.07.100
• GuoY., TanZ., ChenH., LiG., WangJ., HuangR., et al (2018). Deep Learning-Based Fault Diagnosis of Variable Refrigerant Flow Air-Conditioning System for Building Energy Saving. Appl. Energ. 225, 732-745. doi: 10.1016/j.apenergy.2018.05.075
• KingmaD. P., BaJ. (2014). Adam: A Method for Stochastic Optimization. arXiv preprint arXiv:1412.6980. doi: 10.1016/j.apenergy.2018.05.075
• LeCunY., BengioY., HintonG. (2015). Deep Learning. nature 521 (7553), 436-444. doi: 10.1038/nature14539
• LeeJ., KaoH.-A., YangS. (2014). Service Innovation and Smart Analytics for Industry 4.0 and Big Data Environment. Proced. Cirp 16, 3-8. doi: 10.1016/j.procir.2014.02.001

タイトルに関連する用語 (5件)： 原子力発電所 ,  故障検出 ,  診断 ,  モデルベース ,  深層