文献

J-GLOBAL ID：202202264691722433   整理番号：22A1100958

選択的劣化知識融合による軸受のための解釈可能な深層移動学習ベース残存有効寿命予測アプローチ【JST・京大機械翻訳】

An Interpretable Deep Transfer Learning-Based Remaining Useful Life Prediction Approach for Bearings With Selective Degradation Knowledge Fusion

著者 (4件)： Mao Wentao (School of Computer and Information Engineering, Henan Normal University, Xinxiang, China) ,  Liu Jing (School of Computer and Information Engineering, Henan Normal University, Xinxiang, China) ,  Chen Jiaxian (School of Computer and Information Engineering, Henan Normal University, Xinxiang, China) ,  Liang Xihui (Department of Mechanical Engineering, University of Manitoba, Winnipeg, MB, Canada)
資料名： IEEE Transactions on Instrumentation and Measurement  (IEEE Transactions on Instrumentation and Measurement)
巻： 71  ページ： ROMBUNNO.3508616.1-16  発行年： 2022年 
JST資料番号： C0232A  ISSN： 0018-9456  CODEN： IEIMAO  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： 本論文は,深い移動学習による軸受の残存有効寿命(RUL)予測の2つの疑問に答えることを試みた:ソースドメインにおけるどの軸受データが,移動学習とそのような寄与を定量化するかをいかに寄与するか。サンプルベースの解釈可能性の観点から,本論文では,RUL予測の新しい深層転送学習アプローチを提案した。最初に,マルチスケール分解類似性に基づく新しい時系列クラスタリングアルゴリズムを提案した。分解シーケンスの幾何学と傾向特性を包括的に考慮して,このアルゴリズムはソース領域を複数のサブソースドメインに分割することができる。第2に,転送領域妥当性指数(T-DVI)と名付けた有意性メトリックを構築し,劣化類似性の観点から学習を転送するための各サブソースドメインの寄与を定量化した。さらに,選択的転送学習による新しい積層長短期メモリモデルを構築した。得られたT-DVIを用いて,このモデルは,RUL予測のための劣化知識の伝達効果を改善するために,重み付け初期化および適応凍結の2つの新しい移動戦略を構築する。2つの軸受データセットに関する実験結果は,提案した方式の有効性を証明した。さらに重要なことに,提案した手法は,移動学習プロセスを,軸受データの有意性を同定することにより解釈することができ,それは,有用な劣化知識を転送し,また,RUL予測性能を改善するのを助ける。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 ,  幾何学 ,  *学習 ,  予測 ,  *軸受 ,  劣化 ,  選択 ,  凍結 ,  モデル ,  重みづけ ,  深層 ,  耐用年数
準シソーラス用語： 学習過程 ,  マルチスケール ,  クラスタリングアルゴリズム , 【Automatic Indexing@JST】

分類 (1件)： 軸受  (QB01020W)

タイトルに関連する用語 (8件)： 知識 ,  融合 ,  軸受 ,  深層 ,  学習 ,  残存 ,  有効寿命 ,  予測