文献

J-GLOBAL ID：202202256462883498   整理番号：22A0780310

限られたデータを持つ知的少数ショット故障診断のためのタスクシーケンシングMeta学習【JST・京大機械翻訳】

Task-Sequencing Meta Learning for Intelligent Few-Shot Fault Diagnosis With Limited Data

著者 (5件)： Hu Yidan (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Liu Ruonan (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Li Xianling (Science and Technology on Thermal Energy and Power Laboratory, Wuhan, China) ,  Chen Dongyue (College of Intelligence and Computing, Tianjin University, Tianjin, China) ,  Hu Qinghua (College of Intelligence and Computing, Tianjin University, Tianjin, China)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 18  号： 6  ページ： 3894-3904  発行年： 2022年 
JST資料番号： W1434A  ISSN： 1551-3203  CODEN： ITIICH  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： 最近,深層学習ベースインテリジェント故障診断法が,診断モデルを訓練する大量のデータに依存する,急速に開発された。しかし,実際の工業生産において十分な故障データを収集することは通常困難であり,従って知的診断方法の適用を制限する。少数ショット故障診断問題に取り組むために,タスクシーケンスメタ学習法をこの論文で提案する。最初に,メタ学習モデルを一連の学習タスクで訓練し,診断方法に関する知識を得た。したがって,学習された知識は,遭遇しなかった新しいタスクを扱う場合,少数の例を用いて適応し,一般化するのを助けることができる。次に,異なる故障と診断タスクの間の差異と接続を考慮して,タスクシーケンスアルゴリズムを提案して,メタトレーニングタスクを容易から困難に分類し,次に,人間獲得知識を追跡した。各タスクの困難さを評価した後に,提案方法は最初に単純なタスクを学習して,複雑なタスクに学習された知識を一般化する。より良い知識適応性は,タスクの困難さを徐々に増加させることによって得られる。最後に,勾配ベースのメタ学習を利用して,初期化パラメータを少数の勾配ステップによって訓練した。提案方法の有効性を,実際の転がり軸受データセットと電力系統データセットによって検証する。実験結果は,提案方法がいくつかのサンプルだけによって新しいカテゴリーを同定することができることを示した。さらに,作業条件に従って,カテゴリが細粒である場合,故障診断の利点も示した。したがって,提案方法は,実際と複雑な故障診断における少数ショット問題を解決するのに適している。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： アルゴリズム ,  *学習 ,  *故障 ,  転がり軸受 ,  電力系統 ,  *故障診断 ,  知識 ,  適応性 ,  診断 ,  粒状材 ,  有効性 ,  工業生産
準シソーラス用語： メタ学習 ,  診断モデル ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 電動機  (NB07030U) ,  信頼性  (KB04040H)

タイトルに関連する用語 (3件)： ショット ,  故障診断 ,  学習