文献

J-GLOBAL ID：202202291975368321   整理番号：22A0312953

長期短期記憶ネットワークに基づく深層転送強化学習を用いた有用な寿命予測【JST・京大機械翻訳】

Tool remaining useful life prediction using deep transfer reinforcement learning based on long short-term memory networks

著者 (3件)： Yao Jiachen (Nanjing University of Science and Technology, Nanjing, China) ,  Lu Baochun (Nanjing University of Science and Technology, Nanjing, China) ,  Zhang Junli (Nanjing University of Science and Technology, Nanjing, China)
資料名： International Journal of Advanced Manufacturing Technology  (International Journal of Advanced Manufacturing Technology)
巻： 118  号： 3-4  ページ： 1077-1086  発行年： 2022年 
JST資料番号： T0397A  ISSN： 0268-3768  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 工具摩耗と故障は,加工工作物の品質に影響し,製造の連続性を損傷する。残留有効寿命(RUL)の正確な予測は,処理品質を保証し,自動システムの生産性を改善するために重要である。現在,ツールRUL予測のための最も一般的に使用される方法は,歴史故障データによって訓練される。しかし,新タイプのツールまたは高価値部品を処理するとき,故障データセットは取得するのが困難であり,それは限られた故障データの下でRUL予測に挑戦をもたらす。上述の予測方法の欠点を克服するために,長い短期メモリ(LSTM)ネットワークに基づく深い転送強化学習(DTRL)ネットワークをこの論文で提示する。局所特徴を連続センサデータから抽出して,工具状態を追跡し,訓練されたネットワークサイズを時間シーケンス長を制御することによって動的に調整することができた。次に,DTRLネットワークにおいて,LSTMネットワークを採用して,時間情報をスムーズに処理し,長期依存性をマイニングするための値関数近似を構築した。これに基づき,Q関数更新と転送の新しい戦略を提示し,歴史的故障データによって訓練された深層強化学習(DRL)ネットワークを,RUL予測のための新しいツールに転送する。最後に,工具摩耗実験を行い,DTRLモデルの有効性を検証した。予測結果は,提案方法が類似のツールと切削条件のために高精度と一般化を有することを示した。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  記憶装置 ,  故障 ,  システム ,  データ ,  *ネットワーク ,  工具摩耗 ,  関数近似 ,  移動 ,  連続性 ,  深層 ,  有効性 ,  *強化学習 ,  耐用年数
準シソーラス用語： センサデータ , 【Automatic Indexing@JST】

著者キーワード (4件)： 工具摩耗監視 ,  残存寿命(RUL)予測 ,  深層強化学習 ,  転移学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 長期 ,  短期記憶 ,  深層 ,  転送 ,  強化学習 ,  寿命予測