文献

J-GLOBAL ID：202202286243803090   整理番号：22A0155383

産業シナリオにおける故障診断のための深層転送学習に関する展望調査:理論,応用および挑戦【JST・京大機械翻訳】

A perspective survey on deep transfer learning for fault diagnosis in industrial scenarios: Theories, applications and challenges

著者 (14件)： Li Weihua (Shien-Ming Wu School of Intelligent Engineering, South China University of Technology, Guangzhou 511442, China) ,  Li Weihua (Pazhou Lab, Guangzhou 510335, China) ,  Li Weihua (School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China) ,  Huang Ruyi (Shien-Ming Wu School of Intelligent Engineering, South China University of Technology, Guangzhou 511442, China) ,  Huang Ruyi (School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China) ,  Li Jipu (School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China) ,  Liao Yixiao (School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China) ,  Chen Zhuyun (Pazhou Lab, Guangzhou 510335, China) ,  Chen Zhuyun (School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China) ,  He Guolin (Pazhou Lab, Guangzhou 510335, China) ,  He Guolin (School of Mechanical and Automotive Engineering, South China University of Technology, Guangzhou 510640, China) ,  Yan Ruqiang (School of Mechanical Engineering, Xi’an Jiaotong University, Xi’an 710049, China) ,  Gryllias Konstantinos (Department of Mechanical Engineering, Division LMSD, KU Leuven, Celestijnenlaan 300, Box 2420, 3001 Leuven, Belgium) ,  Gryllias Konstantinos (Dynamics of Mechanical and Mechatronic Systems, Flanders Make, Celestijnenlaan 300, Box 2420, 3001 Leuven, Belgium)
資料名： Mechanical Systems and Signal Processing  (Mechanical Systems and Signal Processing)
巻： 167  号： PA  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： 深層転送学習(DTL)は機械学習の新しいパラダイムであり,それは特徴表現における深層学習(DL)の利点を活用できるだけでなく,知識移転における転送学習(TL)の優位性からも利益を得る。結果として,DTL技術はDLベース故障診断法をより信頼性,ロバストかつ適用可能にし,それらは広く開発され,知的断層診断(IFD)の分野で調査されてきた。いくつかの系統的で貴重なレビュー論文がIFDのトピックに関して発表されたが,それらはアルゴリズム展望からのみ関連研究をまとめ,産業シナリオにおける実際的応用を見落としている。さらに,DTLベースのIFD法に関する包括的なレビューはまだ不足している。この洞察から,DTLベースのIFDの関連出版物を包括的に調査するためには,特に重要であり,現在の最先端技術を便利に理解し,実際にIFD問題を解くための効果的な解決策を迅速に設計するのに役立つ。最初に,DTLの理論的背景を簡潔に紹介して,いかに移動学習技術が深い学習モデルと統合できるかを示した。次に,DTLの主要な応用とIFDの分野における最近の開発について詳述し,議論した。さらに重要なことに,実際の応用においてDTLアルゴリズムを選択する方法に関する提案と,いくつかの将来の課題が共有される。最後に,この調査の結論を示した。最後に,本論文で行われた研究は,IFDの進展と進捗における努力を望むことを望む研究者にとって,利便性とインスピレーションを提供できると信じる。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： アルゴリズム ,  *学習 ,  学習モデル ,  刊行物 ,  信頼性 ,  *故障診断 ,  深層 ,  ロバスト性 ,  機械学習
準シソーラス用語： 知識移転 ,  利便性 ,  転移学習 ,  特徴表現 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 故障診断 ,  深層学習 ,  転移学習 ,  ドメイン適応 ,  深層転送学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (10件)： 産業 ,  シナリオ ,  故障診断 ,  深層 ,  転送 ,  学習 ,  展望 ,  調査 ,  理論 ,  応用