文献

J-GLOBAL ID：202202282495671420   整理番号：22A0442898

小サンプルデータセットによる研磨ベルトの摩耗を監視するための深層移動学習法【JST・京大機械翻訳】

A deep transfer learning method for monitoring the wear of abrasive belts with a small sample dataset

著者 (4件)： Li Zhihang (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Tang Qian (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Wang Sibao (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China) ,  Zhang Penghui (College of Mechanical and Vehicle Engineering, Chongqing University, Chongqing 400044, China)
資料名： Journal of Manufacturing Processes  (Journal of Manufacturing Processes)
巻： 74  ページ： 374-382  発行年： 2022年 
JST資料番号： W3312A  ISSN： 1526-6125  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： アブレシブベルトの摩耗状態は最終加工品質と精度に直接関係する。したがって,アブレシブベルトの置換時間の正確な予測は,製品品質を改善するだけでなく,コストも削減できる。変位データの解析に従って,移動学習に基づくマルチスケール畳込みニューラルネットワークを用いたアブレシブベルト摩耗状態の予測のための新しい方法を提案した。最初に,一次差分前処理を,変位データ上で独創的に実行した。次に,モデルのネットワークパラメータを故障データセットを予訓練して得て,前処理された変位データに従って直接転送または微調整した。最後に,異なるアブレシブベルト摩耗状態に対応する前処理変位データを正確に分類した。この方法は,産業における交差ドメインデータ間の移動学習の適用を検証し,深い学習に必要な大きなサンプルサイズと実際の生産における大量のサンプルデータを得る困難さの間の矛盾を解決する。実験結果は,この方式が研磨ベルトの摩耗状態を正確に予測することができ,平均予測精度が93.1%であることを示した。この方法は,低コストと容易な操作の利点を持ち,製造におけるアブレシブベルトの置換時間を導くために適用できる。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： *摩耗 ,  *学習 ,  故障 ,  前処理 ,  特徴抽出 ,  深層 ,  製品品質
準シソーラス用語： 予測精度 ,  マルチスケール ,  ネットワークパラメータ ,  *研磨ベルト ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 研磨ベルト摩耗予測 ,  畳込みニューラルネットワーク ,  変位データ ,  転移学習 ,  マルチスケール特徴抽出

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： サンプルデータ ,  研磨ベルト ,  摩耗 ,  深層