文献

J-GLOBAL ID：202202276773167410   整理番号：22A0967973

非理想データ条件下における電気機械アクチュエータ故障診断のための敵対モデル【JST・京大機械翻訳】

An adversarial model for electromechanical actuator fault diagnosis under nonideal data conditions

著者 (13件)： Wang Chao (Institute of Reliability Engineering, Beihang University, Beijing, China) ,  Wang Chao (Science & Technology On Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Wang Chao (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Tao Laifa (Institute of Reliability Engineering, Beihang University, Beijing, China) ,  Tao Laifa (Science & Technology On Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Tao Laifa (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Ding Yu (School of Aeronautic Science and Engineering, Beihang University, Beijing, China) ,  Lu Chen (Institute of Reliability Engineering, Beihang University, Beijing, China) ,  Lu Chen (Science & Technology On Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Lu Chen (School of Reliability and Systems Engineering, Beihang University, Beijing, China) ,  Ma Jian (Institute of Reliability Engineering, Beihang University, Beijing, China) ,  Ma Jian (Science & Technology On Reliability and Environmental Engineering Laboratory, Beijing, China) ,  Ma Jian (School of Reliability and Systems Engineering, Beihang University, Beijing, China)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 34  号： 8  ページ： 5883-5904  発行年： 2022年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 電気機械アクチュエータ(EMA)は,様々な条件と負荷の下で作動する安全臨界部品である。EMAに対するロバストで正確な故障診断の実現は,全体のシステムの全体のアベイラビリティ/安全性を増加させる。しかし,EMAの監視データは,異なる作業条件下で収集され,多数のラベルなしサンプルと少数の不均衡ラベル化サンプルから成る。これは,知的データ駆動診断アプローチの適用を厳しく制限する。したがって,本論文は,振動信号だけに基づくEMAsのためのエンドツーエンド故障診断を達成するために,敵対モデルとして拡張畳み込み敵対自動符号化器(ECAAE)を提供した。この手法は,異なる訓練段階における異なるサブモデルの活性化により,畳込みニューラルネットワーク(CNN)の特徴抽出能力を半教師つき学習およびデータ生成能力と組み合わせて,ラベルなしおよび不均衡ラベル化サンプルの両方を利用することができる。ハイパーパラメータフリー信号変換法と不均衡補償損失関数の助けにより,モデル結果の敵対訓練プロセスは,与えられたクラスに属するサンプルを生成することができるサンプル発生器と同様に,様々な作動条件に対してロバストである特徴抽出器をもたらす。その結果,発電機によって再平衡したサンプルに関する微調整の後,ECAAEの分類装置は,種々の作業条件,不均衡サンプルおよび少数ショット状況の下でさえ,ロバストで正確な故障診断を実行することができた。提案方法を12の多条件データシナリオの下で検証して,90%以上の診断精度を達成して,それは5方向5ショットシナリオより悪い場合でも,その3つの最先端のモデルに対する優位性を明らかにした。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  損失関数 ,  分類装置 ,  *電気機械 ,  *故障診断 ,  特徴抽出 ,  アベイラビリティ ,  臨界 ,  信号変換 ,  符号器 ,  エンドツーエンド方式 ,  ロバスト性
準シソーラス用語： 半教師つき学習 ,  データ駆動 ,  振動信号 , 【Automatic Indexing@JST】

著者キーワード (4件)： 電気機械アクチュエータ ,  故障診断 ,  不均衡試料 ,  少数ショット学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 電気機械 ,  アクチュエータ ,  故障診断 ,  敵対 ,  モデル