文献

J-GLOBAL ID：202202286484791997   整理番号：22A0388922

雑音と可変負荷条件下の深いサブドメイン適応に基づく教師なしベアリング故障診断【JST・京大機械翻訳】

An unsupervised bearing fault diagnosis based on deep subdomain adaptation under noise and variable load condition

著者 (4件)： Ghorvei Mohammadreza (Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran) ,  Kavianpour Mohammadreza (Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran) ,  Beheshti Mohammad TH (Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran) ,  Ramezani Amin (Department of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran)
資料名： Measurement Science and Technology  (Measurement Science and Technology)
巻： 33  号： 2  ページ： 025901 (13pp)  発行年： 2022年 
JST資料番号： C0354C  ISSN： 0957-0233  CODEN： MSTCEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 軸受故障を診断するための深層学習ベース手法は,近年かなりの注目を集めている。しかし,実世界アプリケーションでは,これらの方法は課題に直面している。これらのモデルの適切な訓練のために,かなりの量のラベル付きデータが必要で,産業における限界のため,このデータ量を得ることは不可能である。負荷変動のため,訓練と試験データの分布は変化し,様々な作業条件に対して訓練されたモデルの精度を低下させる。さらに,騒音は,実世界産業応用における軸受故障診断性能に大きな影響を与える。本研究は,実際のシナリオにおけるこれらの課題を克服するため,深いサブドメイン適応畳込みニューラルネットワーク(DSACNN)法を導入した。局所最大平均偏差(LMMD)法は,ソースとターゲットドメインにおける各クラス分布間の差を低減する。提案手法を,異なるSNRを有する様々な負荷と雑音の下で,CWRU軸受データセットによって検証した。結果は,DSACNNが,アンチノイズ性能とドメイン分布不一致の低減において,他の比較方法より優れていることを示した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *雑音 ,  騒音 ,  *故障 ,  *軸受 ,  *故障診断 ,  雑音特性 ,  応用プログラム ,  負荷変動
準シソーラス用語： 試験データ ,  産業応用 ,  データ量 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 軸受  (QB01020W)

タイトルに関連する用語 (7件)： 雑音 ,  可変 ,  サブ ,  ドメイン適応 ,  教師 ,  ベアリング ,  故障診断