文献

J-GLOBAL ID：202202276978323621   整理番号：22A0778998

確率的時系列モデルを用いた回転機械の健全性監視【JST・京大機械翻訳】

Health Monitoring of Rotating Machinery Using Probabilistic Time Series Model

著者 (3件)： Ma Zhipeng (School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an, China) ,  Zhao Ming (School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an, China) ,  Gou Chao (School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an, China)
資料名： IEEE Transactions on Instrumentation and Measurement  (IEEE Transactions on Instrumentation and Measurement)
巻： 71  ページ： ROMBUNNO.3501009.1-9  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： 残留信号分析は,回転機械(RM)の健康モニタリングのための有望なツールである。この技術の主な課題は,残差が初期故障特徴を強調することができるような正確な時系列モデル(TSM)を確立する方法である。従来のTSMは残差の点推定のみを提供するが,雑音と他の外乱から故障インパルスを識別することができない。この欠陥は,現代機械,特に過酷な条件で運転するそれらの広い応用を妨げる。この問題に取り組むために,確率的TSM(PTSM)と呼ばれる新しいアプローチを提示した。このアプローチでは,再帰的Gauss過程回帰(GPR)を最初に導入し,確率的観点から時系列の固有依存性を調べた。再帰的GPRのメリットは,雑音に対するロバスト性にあるだけでなく,インパルスが故障によってどのように引き起こされるかを示す信頼区間(CI)を提供する。続いて,複雑な機械構造から健康モデルを表現するために,近似精度を確保するために改良多重カーネル学習(MKL)法を構築した。最後に,性能を改善するために,GPRフレームワークからの標準超パラメータ推定法を,パラメータを決定するために調査した。結果は,強いノイズ干渉の下でさえ,故障症状を回復する好ましい能力を明らかにした。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： 干渉 ,  雑音 ,  故障 ,  初期故障 ,  回転機械 ,  信号解析 ,  残差 ,  監視 ,  時系列 ,  多重化 ,  *モデル ,  パラメータ推定 ,  ロバスト性 ,  健全性
準シソーラス用語： Kernel法 , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  システム同定  (IA02040O)

タイトルに関連する用語 (4件)： 確率 ,  時系列モデル ,  回転機械 ,  健全性