文献

J-GLOBAL ID：202202262778667840   整理番号：22A0735014

CNNおよび畳込みオートエンコーダ(CAE)ベースの実時間センサ故障検出,位置決めおよび補正【JST・京大機械翻訳】

CNN and Convolutional Autoencoder (CAE) based real-time sensor fault detection, localization, and correction

著者 (6件)： Jana Debasish (Department of Civil and Environmental Engineering, Rice University, Houston, Texas, TX 77005, USA) ,  Patil Jayant (Department of Civil and Environmental Engineering, Rice University, Houston, Texas, TX 77005, USA) ,  Herkal Sudheendra (Department of Civil and Environmental Engineering, Rice University, Houston, Texas, TX 77005, USA) ,  Nagarajaiah Satish (Department of Civil and Environmental Engineering, Rice University, Houston, Texas, TX 77005, USA) ,  Nagarajaiah Satish (Department of Mechanical Engineering, Rice University, Houston, Texas, TX 77005, USA) ,  Duenas-Osorio Leonardo (Department of Civil and Environmental Engineering, Rice University, Houston, Texas, TX 77005, USA)
資料名： Mechanical Systems and Signal Processing  (Mechanical Systems and Signal Processing)
巻： 169  ページ： Null  発行年： 2022年 
JST資料番号： T0514A  ISSN： 0888-3270  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： センシング技術と分析の進歩により,センサが構造系と構造系を監視するためのセンサが増殖するようになった。正確なセンサデータは,構造健全性に関する情報を提供し,予後を助け,振動制御の力を計算するのに役立つ。しかし,センサ,欠陥,または環境因子のエージングにより,センサーは,データの損失,ランダムノイズ,バイアス,ドリフトなどの故障に敏感である。従来の信号処理技術は故障を検出,分離できるが,故障または欠測センサデータを再構成し,それらは重要な人間介入を要求する。コンピュータパワーの連続的上昇と多数のドメインにおける有効性は,人間-インザループ技術を最小化するための深層学習の使用を動機づける。本研究では,センサデータにおける故障の存在およびタイプ,故障センサの位置,および故障検出,故障分類,および再構成のための正しいセンサデータを再構成する時間不変パラメータを有する線形システムのための新しい深層学習フレームワークを導入した。本フレームワークでは,まず,畳込みニューラルネットワーク(CNN)を用いて故障の存在を検出し,そのタイプを同定した。次に,再構成のために各タイプの故障に対応する一連の個別訓練畳込み自動符号器(CAE)ネットワークを採用した。単純な剪断型構造と簡易アーチ橋から実験的に測定したデータの合成データにおける単一および多重センサ故障の両方を扱うためのフレームワークの有効性を実証した。フレームワークは故障タイプの診断であるが,4タイプの故障,すなわち,欠測,スパイキ,ランダム,およびドリフトに対してその使用を示す。単一故障を有するシミュレーションおよび実験データセットの両方に対して,著者らのモデルは,故障型センサ位置確認において100%の精度を達成し,故障型検出において98.7%以上の精度を達成し,再構成において99%以上の精度を達成した。このフレームワークは,類似の精度で複数の同時故障にも対処できる。提案フレームワークは,同等の精度で計算効率に関して,他の最先端技術よりも性能が優れていることを経験的に実証した。オンライン構造健全性モニタリング応用における著者らのフレームワークの採用は,モニタリングプロセスへの最小破壊,構造やインフラストラクチャーのダウンタイムの短縮,同時に不確実性を低減し,歴史的記録のためのセンサデータの品質の改善につながる。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： 線形系 ,  剪断 ,  *畳込み ,  *故障 ,  ネットワーク ,  不確実性 ,  信号処理 ,  ドリフト ,  *故障検出 ,  符号器 ,  インフラストラクチャー ,  コンピュータ ,  振動制御
準シソーラス用語： 計算効率 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (7件)： 故障センサ ,  故障検出 ,  故障分類 ,  データ再構成 ,  畳込みニューラルネットワーク ,  畳込みオートエンコーダ ,  深層学習

分類 (3件)： 計測機器一般  (AD02000X) ,  その他のシステムプログラミング  (JD03070M) ,  その他の情報処理  (JE15050M)

タイトルに関連する用語 (6件)： CNN ,  畳込み ,  オートエンコーダ ,  CAE ,  実時間 ,  センサ故障