文献

J-GLOBAL ID：202202287118099810   整理番号：22A0779996

データプライバシーを有する深層敵対ネットワークを用いた知的故障診断のための連合移動学習【JST・京大機械翻訳】

Federated Transfer Learning for Intelligent Fault Diagnostics Using Deep Adversarial Networks With Data Privacy

著者 (2件)： Zhang Wei (Department of Mechanics, Tianjin University, Tianjin, China) ,  Li Xiang (Key Laboratory of Vibration and Control of Aero-Propulsion System Ministry of Education, and College of Sciences, Northeastern University, Shenyang, China)
資料名： IEEE/ASME Transactions on Mechatronics  (IEEE/ASME Transactions on Mechatronics)
巻： 27  号： 1  ページ： 430-439  発行年： 2022年 
JST資料番号： W0894A  ISSN： 1083-4435  CODEN： IATEFW  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： 知的データ駆動機械故障診断法は,過去数年で広く開発された。かなり高い診断精度が得られたが,大量のラベル付き訓練データが必要で,実際に収集するのは難しい。多重ユーザによる有望な協調モデル訓練解は,関心の衝突によるデータプライバシーに関する高い要求を提起する。さらに,実際の産業では,異なるユーザからのデータは,通常,異なる機械運転条件から収集できる。ドメインシフト現象とデータプライバシー懸念は,共同モデル訓練方式を非常に困難にする。この課題に取り組むために,故障診断のための連合移動学習法をこの論文で提案する。異なるモデルは,データプライバシーを強化するために異なるユーザによって使用することができる。連邦初期化段階を導入して,分散特徴抽出における類似データ構造を維持し,そして,連合通信段階を,深い敵対学習を用いてさらに実行した。また,予測一貫性方式を採用して,モデルロバスト性を増加させた。2つの実世界データセットに関する実験は,提案した連合移動学習法が実際の産業応用に有望であることを示唆する。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： *学習 ,  データ構造 ,  *ネットワーク ,  *故障診断 ,  特徴抽出 ,  多重化 ,  通信 ,  移動 ,  深層 ,  データフロー制御 ,  ロバスト性
準シソーラス用語： 訓練データ ,  運転条件 ,  協調モデル ,  産業応用 ,  データ駆動 , 【Automatic Indexing@JST】

分類 (1件)： ロボットの運動・制御  (IC04012J)

タイトルに関連する用語 (5件)： データプライバシー ,  深層 ,  敵対 ,  故障診断 ,  学習