文献

J-GLOBAL ID：202202259312354321   整理番号：22A1085781

ラベルなし振動信号のためのブートストラップのあなた自身の潜在およびデータ増強アルゴリズムに基づく故障特徴抽出器【JST・京大機械翻訳】

Fault Feature Extractor Based on Bootstrap Your Own Latent and Data Augmentation Algorithm for Unlabeled Vibration Signals

著者 (4件)： Peng Tengyi (School of Mechanical Engineering and Automation, Harbin Institute of Technology, Shenzhen, China) ,  Shen Changqing (School of Rail Transportation, Soochow University, Suzhou, China) ,  Sun Shilong (School of Mechanical Engineering and Automation, Harbin Institute of Technology, Shenzhen, China) ,  Wang Dong (State Key Laboratory of Mechanical System and Vibration, Shanghai Jiao Tong University, Shanghai, China)
資料名： IEEE Transactions on Industrial Electronics  (IEEE Transactions on Industrial Electronics)
巻： 69  号： 9  ページ： 9547-9555  発行年： 2022年 
JST資料番号： C0234A  ISSN： 0278-0046  CODEN： ITIED6  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： 産業環境から収集された振動故障信号は通常不十分であり,ラベルを持たないので,教師つき学習ネットワークは,この事例で故障タイプを認識するために直接適用できない。したがって,ラベルなしデータの自動特徴抽出が緊急に必要である。本研究では,コントラスト学習アルゴリズムに基づく自動故障特徴抽出器(AFFE)を,ラベル付き情報条約を要求せずに自動的に故障特徴を抽出することができるコントラスト学習アルゴリズム(BYOL)ネットワークに基づいて,提案した。振動信号に対するデータ増強法を,それがコントラスト学習アルゴリズムに重要であるので,研究した。本研究は,AFFEがラベルなし軸受故障データから特徴を抽出する際に優れた性能を達成することができるデータ増強組合せを決定する。提案した方法の有効性を検証するために,線形分類器に適合するために,いくつかのラベル付きデータ(データセット中のラベルを持つサンプル5%)を利用し,特徴を抽出するために提案したAFFEと組み合わせた。目的は,残りのデータに対する特徴分類の精度スコアを予測することである。事例研究は,AFFEを用いて抽出した故障特徴が94.81%の高精度スコアを達成できることを示した。したがって,提案したAFFE-BYOLは,非ラベル振動データを処理するための有望な診断故障特徴抽出方式である。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 ,  コントラスト ,  *振動 ,  *ブートストラップ ,  *故障 ,  ネットワーク ,  軸受 ,  特性 ,  *特徴抽出 ,  条約 ,  教師つき学習 ,  *抽出装置 ,  事例研究 ,  学習アルゴリズム
準シソーラス用語： *振動信号 , 【Automatic Indexing@JST】

分類 (2件)： 信頼性  (KB04040H) ,  軸受  (QB01020W)

タイトルに関連する用語 (8件)： ラベル ,  振動信号 ,  ブートストラップ ,  自身 ,  データ増強 ,  アルゴリズム ,  故障 ,  特徴抽出