文献

J-GLOBAL ID：202202256008083596   整理番号：22A0388905

サイクルGANに基づく異なる作業条件下での転がり軸受故障診断のための移動学習法【JST・京大機械翻訳】

Transfer learning method for rolling bearing fault diagnosis under different working conditions based on CycleGAN

著者 (2件)： Zhao Jiantong (School of Mechatronics Engineer, Harbin Institute of Technology, Harbin, People’s Republic of China) ,  Huang Wentao (School of Mechatronics Engineer, Harbin Institute of Technology, Harbin, People’s Republic of China)
資料名： Measurement Science and Technology  (Measurement Science and Technology)
巻： 33  号： 2  ページ： 025003 (14pp)  発行年： 2022年 
JST資料番号： C0354C  ISSN： 0957-0233  CODEN： MSTCEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 実用的軸受故障診断タスクにおいて,利用可能なラベル付きデータは,しばしば診断されるべき装置からではなく,作業条件の全ての方法をカバーできない。採用したデータ駆動方法は,ある程度の交差ドメインと交差作業条件移転学習診断能力を持つために必要であった。しかしながら,既存の転送学習法の性能によって制限されて,ソースドメインとターゲットドメインの間の電位差は,転送診断の精度のための課題を提起する。本論文では,サイクル生成敵対ネットワーク(CycleGAN)と動的モデルに基づいた交差作業条件データ補完法を提案し,既存のデータの欠落部分を近似し,ターゲット領域の診断に用いる限られた利用可能なデータを使用することができた。最初に,ターゲット領域として限られた実験データ,ソースドメインとして作動条件に対応するシミュレーションデータを考察し,2つのデータセット間のデータ対応を制約するベンチマークとして作業条件を使用した。次に,サイクルGANモデルを用いて,シミュレーションから実験までの特徴マッピングを学習した。第2に,試験するデータの作業条件に基づき,対応するシミュレーションデータを訓練した発電機に入力して,対応する作業条件の下で実験特性によってラベル付きデータを得て,テストするデータにソースドメインデータとしてデータセットを移した。自製シミュレーションおよび実験データセットを用いた試験において,確率分布適応に基づく移動学習法と組み合わせて,この提案方法が,作動条件スパンが大きいとき,交差ドメインおよび交差作業条件における単一移動学習方法の診断影響を効果的に改良することができることを示した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： シミュレーション ,  *学習 ,  ネットワーク ,  *転がり軸受 ,  *軸受 ,  スパン ,  *故障診断 ,  確率分布 ,  ダイナミックモデル ,  ベンチマーク
準シソーラス用語： 電位差 ,  運転条件 ,  学習方法 ,  データ駆動 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  流体の実験・試験・測定方法及び装置  (BC01020K)

タイトルに関連する用語 (5件)： サイクル ,  GaN ,  作業条件 ,  転がり軸受 ,  故障診断