s00521-019-04097-w(0123456789().,-volV)(0123456789().,-volV)
ARTIKEL ASLI
Abstrak
Dengan pesatnya perkembangan manufaktur pintar, diagnosis kesalahan berbasis data telah menarik perhatian yang semakin meningkat.
Sebagai salah satu metode paling populer yang diterapkan dalam diagnosis kesalahan, deep learning (DL) telah mencapai hasil yang
luar biasa. Namun, karena volume sampel berlabel kecil dalam diagnosis kesalahan, kedalaman model DL untuk diagnosis kesalahan
dangkal dibandingkan dengan jaringan saraf konvolusional di area lain (termasuk ImageNet), yang membatasi akurasi prediksi akhir
mereka. Dalam penelitian ini, TCNN (ResNet-50) baru dengan kedalaman 51 lapisan convolutional diusulkan untuk diagnosis kesalahan.
Dengan menggabungkan pembelajaran transfer, TCNN (ResNet-50) menerapkan ResNet-50 yang dilatih di ImageNet sebagai ekstraktor
fitur untuk diagnosis kesalahan. Pertama, metode signal-to-image dikembangkan untuk mengonversi sinyal kesalahan domain waktu ke
format gambar RGB sebagai tipe data input ResNet-50. Kemudian, struktur baru TCNN (ResNet-50) diusulkan. Akhirnya, TCNN
(ResNet-50) yang diusulkan telah diuji pada tiga set data, termasuk set data kerusakan bearing yang disediakan oleh pusat data KAT,
set data bantalan motor yang disediakan oleh Case Western Reserve University (CWRU) dan set data pompa sentrifugal self-priming.
Itu mencapai hasil yang canggih. Akurasi prediksi TCNN(ResNet-50) setinggi 98,95% ± 0,0074, 99,99% ± 0, dan 99,20% ± 0, yang
menunjukkan bahwa TCNN(ResNet-50) mengungguli model DL dan metode tradisional lainnya.
Kata kunci Diagnosis kesalahan Jaringan saraf convolutional Fitur mentransfer ResNet-50
123
Machine Translated by Google
dan fitur-fitur ini berdampak besar pada hasil akhir metode 2 Pekerjaan terkait
pembelajaran mesin [12].
Pembelajaran mendalam (DL) telah muncul sebagai area baru di Pekerjaan terkait berisi diagnosis kesalahan berbasis data berbasis
bidang pembelajaran mesin untuk mengatasi kekurangan di atas. Itu pembelajaran mendalam, dan transfer fitur dengan menggunakan
dapat mempelajari fitur representasi dari data mentah secara jaringan CNN.
otomatis [13]. Metode DL telah diterapkan dalam bidang diagnosis
kesalahan secara luas [14], seperti deep belief network (DBN), 2.1 Diagnosis kesalahan berbasis data berbasis pembelajaran
sparse autoencoder (SAE) dan convolutional neural network (CNN). mendalam
Karena metode DL dapat mengurangi efek dari fitur buatan yang
dirancang oleh proses ekstraksi fitur, mereka menunjukkan potensi Dengan pesatnya perkembangan manufaktur cerdas, diagnosis
besar untuk diagnosis kesalahan. kesalahan berbasis data telah menjadi topik penelitian yang hangat
[11, 18].
Namun, karena volume sampel berlabel kecil dalam diagnosis Pembelajaran mendalam telah banyak diterapkan di bidang
kesalahan, kedalaman model DL untuk diagnosis kesalahan hampir diagnosis kesalahan. Wen dkk. [19] menyelidiki pembelajaran transfer
mencapai 5 lapisan tersembunyi [14], yang membatasi akurasi mendalam berbasis autoencoder (SAE) yang jarang untuk diagnosis
prediksi akhir mereka. Dibandingkan dengan model CNN tolok ukur kesalahan dan mencapai akurasi setinggi 99,82%. Cho dkk. [20]
untuk ImageNet dengan ratusan lapisan, struktur metode DL untuk mempelajari deteksi kesalahan motor induksi menggunakan jaringan
diagnosis kesalahan sangat dangkal. Terlebih lagi, sulit untuk melatih saraf berulang dan pemodelan Bayesian dinamis.
model CNN yang dalam tanpa sejumlah besar dataset pelatihan Mereka melakukan percobaan waktu nyata dengan tiga motor dan
yang terorganisir dengan baik seperti ImageNet dengan sepuluh juta memperkirakan distribusi probabilitas untuk status motor dan
gambar beranotasi. Untuk menghadapi tantangan ini, beberapa mengamati residu acak secara online. Matahari dkk. [21] menyelidiki
peneliti melatih model CNN yang mendalam di ImageNet dan Autoencoder jarang bertumpuk untuk diagnosis kesalahan cerdas
kemudian menerapkan model CNN yang terlatih sebagai ekstraktor dan hasilnya menunjukkan bahwa itu dapat menghasilkan klasifikasi
fitur ke kumpulan data kecil. kesalahan yang lebih akurat daripada jaringan saraf dalam yang
dalam domain lain [15] dengan menggabungkan dengan teknik biasa digunakan. Verma dkk. [22] membandingkan kinerja SAE
pembelajaran transfer [16]. Dan mereka telah mencapai hasil yang dengan regresi softmax, pengklasifikasi cepat berdasarkan jarak
baik. Mahalanobis dan SVM dalam diagnosis kesalahan kompresor udara.
Termotivasi oleh hal tersebut, penelitian ini mengusulkan Transfer Jia et al. [23] mengusulkan SAE yang dinormalisasi dengan jaringan
CNN (TCNN) baru menggunakan ResNet-50 sebagai ekstraktor fitur, koneksi lokal (NSAE-LCN) untuk diagnosis kesalahan mesin yang
dinamakan sebagai TCNN (ResNet-50), untuk diagnosis kesalahan. cerdas dan NSAE-LCN mengungguli jaringan diagnosis yang umum
TCNN (ResNet-50) yang diusulkan memiliki kedalaman 51 lapisan. digunakan. Qi dkk. [24] mempelajari metode diagnosis kesalahan
Karena ResNet-50 memiliki kinerja yang sangat baik pada klasifikasi berbasis SAE bertumpuk dengan dekomposisi mode empiris
citra [17], ResNet-50 dapat mengekstrak fitur citra berkualitas tinggi ansambel, dan hasilnya menunjukkan bahwa metode ini dapat
pada ImageNet. Hipotesis kami adalah bahwa lapisan ekstraksi fitur mengekstrak lebih diskriminatif
ResNet-50 juga akan bekerja dengan baik pada diagnosis kesalahan. fitur tingkat tinggi dan memiliki kinerja yang lebih baik. Gan dkk. [25]
Dengan lapisan jaringan yang lebih dalam dan lapisan ekstraksi fitur menerapkan jaringan diagnosis hierarkis berbasis DBN (HDN) pada
yang lebih baik, TCNN (ResNet-50) yang diusulkan akan meningkatkan diagnosis kesalahan bantalan elemen bergulir.
akurasi prediksi akhir pada diagnosis kesalahan. Hasilnya menunjukkan bahwa HDN sangat andal untuk diagnosis
TCNN (ResNet-50) yang diusulkan diuji pada tiga kumpulan data multi-tahap yang tepat. Han dkk. [26] mempelajari deep transfer
terkenal dan telah mencapai hasil yang signifikan dengan network (DTN) untuk diagnosis kesalahan, dan mencapai banyak
membandingkannya dengan model DL lainnya dan metode tradisional. Apa
hasil transfer canggih dalam hal kondisi operasi yang beragam,
lebih lanjut, model TCNN juga dilakukan pada CNN benchmark tingkat keparahan kesalahan, dan jenis kesalahan.
terkenal lainnya, termasuk VGG-16, VGG-19, dan Inception-V3. Sebagai salah satu metode DL yang paling sukses, metode CNN
Hasilnya juga menunjukkan bahwa TCNN(Res Net-50) mengungguli juga telah dipelajari secara luas untuk diagnosis kesalahan [27-29].
ketiga varian TCNN tersebut. Wang dkk. [30] menyelidiki model CNN dalam yang adaptif.
Sisa dari makalah ini disusun sebagai berikut. Bagian II membahas Parameter utama ditentukan oleh pengoptimalan segerombolan
karya-karya terkait. Bagian III menyajikan metodologi model partikel, dan hasilnya memvalidasi bahwa metode yang diusulkan
TCNN(ResNet-50) yang diusulkan. lebih efektif dan kuat daripada metode cerdas lainnya. Guo dkk. [31]
Bagian IV menyajikan studi kasus. Kesimpulan dan penelitian masa menyelidiki CNN adaptif hierarkis dengan menambahkan laju
depan disajikan dalam Bagian V. pembelajaran adaptif dan komponen momentum ke proses
pemutakhiran bobot. Lu dkk. [32] mempelajari CNN hierarkis ke
123
Machine Translated by Google
diagnosis kesalahan cerdas bantalan gelinding dan hasilnya klasifikasi, dan mencapai kinerja mutakhir. Janssens et al. [38]
menggambarkan keefektifan model CNN untuk kesalahan menyelidiki pembelajaran transfer untuk mendeteksi berbagai
klasifikasi bantalan gelinding. Xie dkk. [33] menyelidiki CNN kondisi mesin menggunakan data pencitraan inframerah termal
dengan dekomposisi mode empiris untuk diagnosis kesalahan. dan mencapai akurasi 95% dan 91,67% untuk masing-masing
Eksperimen dengan data getaran dari 52 kategori berbeda di kasus penggunaan. Shao dkk. [39] mengusulkan metode
bawah kondisi mesin yang berbeda dilakukan, dan hasilnya pembelajaran transfer mendalam baru dengan menggunakan
menunjukkan bahwa metode yang diusulkan lebih akurat dan VGG16 dan membekukan tiga blok konvolusi pertama sebagai
andal daripada pendekatan sebelumnya. Xia dkk. [34] mempelajari ekstraktor fitur. Metode yang diusulkan diuji pada motor induksi,
CNN dengan beberapa sensor untuk diagnosis kesalahan. kotak roda gigi, dan set data bantalan, dan mencapai hasil yang
Dibandingkan dengan pendekatan tradisional yang menggunakan canggih.
ekstraksi fitur manual, hasilnya menunjukkan metode berbasis Penerapan metode transfer fitur dalam diagnosis kesalahan
CNN mencapai kinerja diagnosis yang unggul. masih sedikit. Dalam penelitian ini, TCNN (ResNet-50) dirancang
dengan menggunakan ResNet-50 yang dilatih di ImageNet
Namun, seperti yang dinyatakan oleh Zhao et al. [14], sebagai ekstraktor fitur untuk diagnosis kesalahan. Hipotesis kami
kedalaman model DL yang dikembangkan untuk diagnosis adalah bahwa lapisan ekstraksi fitur ResNet-50 juga akan bekerja
kesalahan relatif dangkal, yang membatasi akurasi prediksi akhir dengan baik di bidang diagnosis kesalahan. Struktur TCNN juga
mereka. Pada penelitian ini dikembangkan model TCNN(ResNet-50) dilakukan pada VGG-16, VGG-19 dan Inception-V3, dan
baru yang memiliki 51 lapisan tersembunyi, dan dapat dibandingkan dengan TCNN (ResNet-50). Jaringan ResNet-50,
meningkatkan akurasi prediksi akhir untuk diagnosis kesalahan. VGG-16, VGG-19 dan Inception-V3 yang terlatih dapat ditemukan
di situs web Aplikasi Keras: https://keras.io/appli cations/.
2.2 Transfer fitur dengan menggunakan jaringan CNN
123
Machine Translated by Google
metode signal-to-image kesalahan baru dikembangkan berdasarkan metode kinerja klasifikasi gambar, dan dapat mengekstraksi fitur gambar berkualitas
signal-to-gray yang diusulkan oleh Chong [40]. tinggi, hipotesis kami adalah bahwa lapisan ekstraksi fitur ResNet-50 juga
Dalam metode signal-to-gray, sinyal domain waktu yang dikumpulkan akan bekerja dengan baik di bidang diagnosis kesalahan.
tersegmentasi untuk menghasilkan sampel sinyal untuk jenis gangguan yang
berbeda. Biarkan N menunjukkan jumlah total sampel, mm menunjukkan
ukuran gambar abu-abu. Li(a), i = 1,….N, a = 1,…,m2 menunjukkan nilai 3.2.1 Blok bangunan sisa
kekuatan sampel sinyal. GP(j,k),
, j = 1,…,m, k = 1,…,m menunjukkan kekuatan
piksel dari citra abu-abu. Kemudian, signal-to-gray dapat dirumuskan dengan Residual building block (RBB) adalah elemen paling vital dalam ResNet-50.
Persamaan. (1). ð L j ð Þ Þ 1 m þ k Minð Þ L GPð Þ¼ j; k Maxð Þ L Minð Þ L RBB didasarkan pada gagasan melewatkan blok lapisan konvolusional
dengan menggunakan koneksi pintasan. Pintasan ini berguna untuk
mengoptimalkan parameter yang dapat dilatih dalam backpropagation
255 ð1Þ kesalahan untuk menghindari masalah gradien menghilang/meledak, yang
dapat membantu membangun struktur CNN yang lebih dalam untuk
Berbeda dengan citra abu-abu 2D, citra RGB adalah format matriks 3D. meningkatkan kinerja akhir untuk diagnosis kesalahan.
Biarkan RGBPixel(j,k,p), p = 1,2,3, menunjukkan matriks RGB 3D. Dimensi
ketiga adalah saluran merah (p = 1), hijau (p = 2) dan biru (p = 3). RBB terdiri dari beberapa lapisan convolutional (Conv), normalisasi batch
(BN), fungsi aktivasi Relu dan satu pintasan. Ada dua struktur RBB yang
Metode sinyal-ke-gambar kesalahan ditunjukkan pada Gambar. 1. berbeda yang dilambangkan dengan RBB-1 dan RBB-2 dalam penelitian ini,
Setelah melakukan segmentasi untuk menghasilkan sampel sinyal kesalahan, seperti yang ditunjukkan pada Gambar 2. Baik RBB-1 dan RBB-2 memiliki
metode konversi dapat dirumuskan dengan Persamaan. (2)–(4). tiga lapisan Conv dan BN. Tapi jalan pintas di RBB-1 adalah identitas x,
Persamaan (2) mengonversi sampel sinyal kesalahan domain waktu L seperti yang ditunjukkan pada Gambar. 2a. Biarkan F menunjukkan fungsi
menjadi matriks dasar BM. Kemudian, BM akan dinormalisasi dengan nilai nonlinier untuk jalur konvolusional dalam RBB-1, output dari RBB-1 dapat
maksimum dan minimum dari seluruh sampel, seperti yang ditunjukkan pada dirumuskan dalam Persamaan. (5). Gambar 2b menyajikan struktur RBB-2.
Persamaan. (3). Akhirnya, RGBPixel akan diperoleh dengan Persamaan. (4). Pintasan berisi satu lapisan Conv dan BN alternatif. Biarkan H menunjukkan
Elemen merah, hijau, dan biru RGBPixel sama satu sama lain, dan nilai jalan pintas, dan output dari RBB-2 dapat dirumuskan dalam Persamaan. (6).
pikselnya diskalakan ke 0–255. y ¼ F xð Þþ xy ¼ F xð Þþ H xðÞ
RGBPixelið Þ¼ j; k; p NMiðj; kÞ 255; hal ¼ 1; 2; 3 ð4Þ di ResNet-50. Model ResNet-50 dipublikasikan di [17], dan diterapkan dalam
penelitian ini.
Metode konversi ini hanya berisi satu parameter hiper, yaitu ukuran gambar
m. Namun, m akan dianalisis dan ditentukan dengan validasi silang, yang
3.2.2 Transfer bersandar menggunakan ResNet-50
dapat mengurangi efek bias ahli pada diagnosis kesalahan sebanyak mungkin.
123
Machine Translated by Google
123
Machine Translated by Google
Nt
1
Rek ¼ X 1 Yt ¼¼ Ybt ð10Þ
Nt N
saya¼1
oh!:
Setelah menyelesaikan proses CV, classifier kesalahan yang 4.1.1 Deskripsi data
diperoleh akan dievaluasi oleh dataset pengujian terpisah lainnya.
Nyatakan Yt dan Ybt sebagai label aktual dan prediksi pada kumpulan Pada subbab ini, TCNN (ResNet-50) yang diusulkan
data pengujian, Nt adalah nomor sampel dari kumpulan data pengujian. dilakukan pada pemantauan kondisi dataset kerusakan
Akurasi prediksi akhir (Acc) dari pengklasifikasi kesalahan diberikan bantalan yang disediakan oleh pusat data KAT di
oleh Persamaan. (10). Universitas Paderborn [46]. Perangkat keras percobaan
ini ditunjukkan pada [46], dan ada 15 dataset dan dapat
123
Machine Translated by Google
perlu dicatat bahwa kerusakan dataset ini adalah kerusakan nyata yang
Tabel 1 Kategorisasi kumpulan data untuk Kasus 1 disebabkan oleh pengujian masa pakai yang dipercepat.
Sehat (Kelas 1) Kerusakan cincin luar Kerusakan cincin bagian dalam
123
Machine Translated by Google
Tabel 4 Hasil Acc varian TCNN pada Kasus 1 (%) TCNN (ResNet-50) stabil. Gambar 6 menyajikan kurva
konvergensi dari empat varian TCNN. Dari hasil tersebut terlihat
Metode Maks Min Berarti SD
bahwa TCNN(ResNet-50) memiliki kecepatan konvergensi
TCNN(ResNet-50) 98.96 98.94 98,95 0,0074 tercepat diantara keempat varian TCNN tersebut.
TCNN(VGG-16) 97.38 97.26 97.32 0,0410
TCNN(VGG-19) 96.07 95.69 95.90 0,1064 4.1.3 Hasil dan perbandingan dengan metode lain
TCNN (Pendahuluan-V3) 93.97 93.50 93.77 0,1366
Gambar 5 Efek m pada Acccv di bawah varian TCNN berbeda dalam Kasus 1 4.2 Kasus 2: Dataset bantalan motor CWRU
Dalam studi kasus ini, model TCNN yang diusulkan diuji pada
data bearing motor yang terkenal, dan detail dari dataset ini
dapat ditemukan di Case Western Reserve University (CWRU)
[47]. Aparatus ditunjukkan pada Gambar. 7. Data sinyal getaran
dikumpulkan untuk bantalan normal, ujung penggerak satu titik
dan cacat ujung kipas. Namun dalam penelitian ini, sinyal
getaran drive end diterapkan. Frekuensi pengambilan sampel
adalah 12 kHz. Bantalan berisi tiga jenis kesalahan, dan
dilambangkan dengan kesalahan roller (RF), kesalahan balapan
luar (OF) dan kesalahan balapan dalam (IF). Setiap jenis kesalahan memiliki
Gambar 6 Kurva konvergensi dari empat varian TCNN pada Kasus 1 TCNN(ResNet-50) 98,95
KERANJANG 98.3
Tabel 4 menyajikan hasil Acc dari empat varian TCNN. m RF 98.3
diatur menjadi 64. Maksimum (maks), minimum (min), rata-rata BT 83.3
dan standar deviasi (std) diberikan. Maks, min, rata-rata, dan NN 44.2
std TCNN(ResNet-50) adalah 98,96%, 98,94%, 98,95%, dan SVM-PSO 75.8
0,074, dan TCNN(ResNet-50) mengungguli TCNN(VGG-16), ELM 60.8
TCNN(VGG-19) dan TCNN (Inception V3) dalam semua istilah KNN 62.5
perbandingan. Std dari TCNN(ResNet-50) adalah nilai kecil Ansambel 98.3
yang menunjukkan bahwa prediksi
123
Machine Translated by Google
0 1797
1 1772
2 1750
3 1730
123
Machine Translated by Google
TCNN(VGG-19) dan TCNN(Inception-V3). Gambar 9 menyajikan 4.3 Kasus 3: Dataset pompa sentrifugal self-
kurva konvergensi dari varian TCNN. Dari hasil tersebut terlihat priming
bahwa keempat varian TCNN memiliki kecepatan konvergensi
yang hampir sama, dan TCNN (ResNet-50) memiliki sedikit 4.3.1 Deskripsi data
keunggulan dibandingkan varian TCNN lainnya.
Dalam studi kasus ini, metode model TCNN yang diusulkan
4.2.3 Hasil dan perbandingan dengan metode lain dilakukan pada dataset pompa sentrifugal self-priming dari Lu et
al. [42]. Sistem akuisisi data pompa sentrifugal self priming
TCNN (ResNet-50) yang diusulkan dibandingkan dengan metode ditunjukkan pada Gambar. 10. Sensor percepatan dipasang di
berbasis DL terkenal lainnya dan metode berbasis CNN lainnya. atas rumah motor, dan sinyal getaran dikumpulkan untuk analisis
Mereka adalah SAE yang dinormalisasi (NSAE-LCN) dari Jia et al. lebih lanjut. Dalam studi kasus ini, kecepatan putaran adalah 2900
[23], autoencoder jarang bertumpuk (SSAE) dari Qi et al. [24], filter rpm, dan frekuensi sampling sinyal getaran adalah 10239 Hz.
jarang dari Lei et al. [48], jaringan kepercayaan mendalam (DBN) Kondisi gangguan meliputi keausan roller bearing (BR), keausan
membentuk Gan et al. [25], CNN mendalam dari Wang et al. [30], inner race (IR), keausan outer race (OR), dan kondisi kerusakan
adaptive deep convolution neural network (ADCNN) dari Guo et impeller wear (IW). Ada satu kondisi normal (NO), jadi ada lima
al. [31], jaringan konvolusional hierarkis (CNN-1) membentuk Lu et kondisi sehat untuk dataset ini.
al. [32], jaringan saraf konvolusional dan dekomposisi mode
empiris (CNN-2) dari Xie et al. [33] dan CNN menggunakan
beberapa sensor (CNN-3) dari Xia et al. [34] Hasil perbandingan
TCNN(ResNet 50) disajikan pada Tabel 9 dan 10. 4.3.2 Analisis parameter dengan sepuluh kali lipat CV
TCNN(ResNet-50) yang diusulkan memperoleh hasil yang baik. Pengaruh m pada akurasi prediksi akhir varian TCNN dipelajari
Akurasi prediksi rata-rata setinggi 99,99%. Dari Tabel 9 terlihat dalam subbagian ini. Nilai m ditetapkan menjadi 32, 48, 64, 80 dan
bahwa rata-rata hasil prediksi NSAE-LCN, SSAE, Sparse filter dan 96. Implementasi semua varian TCNN adalah 10 kali lipat CV
DBN adalah 99,92%, sepuluh kali, dan hasil perbandingan disajikan pada Tabel 11 dan
12 ; Gambar. 11 dan 12. Parameter TCNN(ResNet-50), TCNN(VGG
16), TCNN(VGG-19) dan TCNN(Inception-V3) sama dengan
Tabel 9 Perbandingan dengan Metode Kasus 1 dan Kasus 2.
Akurasi yang berarti
metode DL lain pada Kasus 2 (%)
TCNN 99,99
Dari Tabel 11, TCNN(ResNet-50) mendapatkan rata-rata dan
NSAE-LCN 99.92
standar deviasi Acccv yang lebih baik daripada tiga varian TCNN
SSAE 99,85 lainnya dengan nilai m yang sama. M terbaik adalah 80 untuk
Filter jarang 99.66
semua varian TCNN, dan akhirnya, TCNN (ResNet-50) mencapai
DBN 99.03
setinggi 100% ± 0. Seperti ditunjukkan pada Gambar 11 , dapat
123
Machine Translated by Google
terlihat bahwa TCNN (ResNet-50) mengungguli tiga varian Tabel 12 Hasil Acc varian TCNN pada Kasus 3 (%)
TCNN lainnya. TCNN(VGG-16) memiliki kinerja yang mirip Metode Maks Min Berarti SD
dengan TCNN(VGG-19), dan kinerjanya lebih unggul dari
TCNN(Inception-V3). TCNN(ResNet-50) 99.20 99.20 99.20 0
Pada Tabel 12, m diatur menjadi 80. Nilai Acc dari TCNN(VGG-16) 99.07 99.03 99,05 0,0144
TCNN(VGG-16), TCNN(VGG-19) dan TCNN(Inception V3) TCNN(VGG-19) 98,99 98,95 98.97 0,0124
masing-masing adalah 99,05% ± 0,0144, 98,97% ± 0,0124 TCNN (Pendahuluan-V3) 98.59 98.46 98.54 0,0422
123
Machine Translated by Google
123
Machine Translated by Google
4. Wen L Li XY,
, Gao L (2019) Jaringan diagnosis hierarkis dua tingkat baru 24. Qi Y, Shen C, Wang D, Shi J, Jiang X, Zhu Z (2017) Jaringan dalam berbasis
berdasarkan jaringan saraf konvolusional. Ukuran Instrumen IEEE T. https:// autoencoder jarang bertumpuk untuk diagnosis kesalahan mesin berputar.
doi.org/10.1109/TIM.2019.2896370 5. Dai X, Gao Z (2013) Dari model, IEEE Access 5:15066–15079 25. Gan M, Wang C (2016)
sinyal hingga pengetahuan: perspektif berbasis data tentang deteksi dan diagnosis Konstruksi jaringan diagnosis hierarkis berdasarkan pembelajaran mendalam dan
kesalahan. IEEE Trans Ind Inf 9(4):2226–2238 penerapannya dalam pengenalan pola kesalahan bantalan elemen bergulir.
Proses Sinyal Mech Syst 72:92–104
6. Li XY, Gao L, Pan QK, Wan L, Chao KM (2018) Algoritma genetika hibrida yang
efektif dan pencarian lingkungan variabel untuk perencanaan dan penjadwalan 26. Han T, Liu C, Yang WG, Jiang DX (2018) Jaringan transfer dalam dengan
proses terintegrasi di bengkel mesin pengemasan. IEEE Trans Syst Man adaptasi distribusi bersama: kerangka kerja diagnosis kesalahan cerdas baru
Cybern Syst. https://doi.org/10.1109/TSMC.2018.2881686 untuk aplikasi industri. arXiv pracetak arXiv: 1804.07265
7. Yang C, Song P, Liu X (2019) Prognostik kegagalan pegas hidro-pneumatik 27. Zhang HJ, Cao X, Ho J, Chow T (2017) Periklanan video tingkat objek: kerangka
kendaraan berat berdasarkan fitur degradasi baru dan mendukung regresi kerja pengoptimalan. IEEE Trans Ind Inf 13(2):520–531 28. Zhang HJ, Ji YZ,
vektor. Neural Comput Appl 31(1):139–156 8. Ertunc HM, Ocak H, Aliustaoglu Huang W, Liu LL
C (2013) Algoritma (2018) Pengambilan pakaian berbasis bintang komedi situasi untuk iklan video:
keputusan multi-tahap berbasis ANN- dan ANFIS untuk deteksi dan diagnosis kerangka pembelajaran yang mendalam. Aplikasi Komputasi Saraf. https://
kesalahan bantalan. Neural Comput Appl 22(1):435–446 9. Kiakojoori S, doi.org/10.1007/s00521-018- 3579-x
Khorasani K (2016) Jaringan saraf dinamis untuk prediksi degradasi mesin
turbin gas, pemantauan kesehatan, dan prognosis. Neural Comput Appl 27(8):2157– 29. Wen L, Li XY, Gao L, Zhang YY (2018) Metode diagnosis kesalahan berbasis
2192 10. Seera M, Lim CP, Ishak D, Singh H (2013) Penerapan jaringan saraf data berbasis jaringan saraf konvolusional baru. IEEE Trans Ind Electron
fuzzy min-max untuk deteksi kesalahan dan diagnosis motor 65(7):5990–5998
induksi. Neural Comput Appl 23(1):191–200 11. Liu RN, Yang BY, Zio E, Chen XF 30. Wang F, Jiang HK, Shao HD, Duan WJ, Wu SP (2017) Jaringan saraf
(2018) Kecerdasan buatan untuk diagnosis kesalahan mesin berputar: ulasan. konvolusional dalam adaptif untuk diagnosis kesalahan bantalan gelinding.
Proses Sinyal Mech Syst 108:33–47 12. Wang JJ, Ma YL, Zhang Meas Sci Technol 28(9):095005 31. Guo X, Chen L, Shen
LB, Gao RX, Wu DZ (2018) Pembelajaran mendalam untuk manufaktur pintar: C (2016) Jaringan saraf konvolusi dalam adaptif hirarkis dan penerapannya untuk
metode dan aplikasi. diagnosis kesalahan bantalan. Pengukuran 93:490–502
32. Lu C, Wang ZY, Zhou B (2017) Diagnosis kesalahan cerdas bantalan gelinding
menggunakan klasifikasi status kesehatan berbasis jaringan konvolusional
J Manuf Syst 48(Bagian C):144–156 hierarkis. Adv Eng Inf 32:139–151 33. Xie Y, Zhang T (2017)
13. LeCun Y, Bengio Y, Hinton G (2015) Pembelajaran mendalam. Alam Diagnosis kesalahan untuk mesin berputar berdasarkan jaringan saraf konvolusional
521(7553):436–444 dan dekomposisi mode empiris. Getaran kejut. ID Artikel 3084197 34. Xia M,
14. Zhao R, Yan RQ, Chen ZH, Mao KZ, Wang P, Gao RX (2019) Li T, Xu L, Liu L, de Silva CW (2018) Diagnosis kesalahan
Pembelajaran mendalam dan aplikasinya untuk pemantauan kesehatan mesin. untuk mesin berputar menggunakan banyak sensor dan jaringan saraf konvolusional.
Proses Sinyal Mech Syst 115:213–237 15. IEEE/ASME Trans Mechatron 23(1):101–110 35. Ren R, Hung T, Tan KC
Donahue J, Jia YQ, Vinyals O, Hoffman J, Zhang N, Tzeng E, Darrell T (2014) (2018) Pendekatan berbasis pembelajaran mendalam umum untuk
Decaf: fitur aktivasi konvolusional yang mendalam untuk pengenalan visual pemeriksaan permukaan otomatis. IEEE Trans Cybern 48(3):929–940 36. Wehrmann
umum. Dalam: Konferensi internasional tentang pembelajaran mesin, hlm 647– J, Simoes GS, Barros RC, Cavalcante VF (2018)
655 16. Yosinski J, Clune J, Bengio
Y, Lipson H (2014) Seberapa dapat ditransfer fitur dalam jaringan saraf yang
dalam? Dalam: Kemajuan dalam sistem pemrosesan informasi saraf, hlm Deteksi konten dewasa dalam video dengan jaringan neural sewa konvolusional
3320–3328 17. He KM, Zhang XY, Ren SQ, Sun J (2016) dan berulang. Neurocomputing 272:432–438 37. Shin HC, Roth
Pembelajaran residual yang mendalam untuk pengenalan gambar. Dalam: Prosiding HR, Gao MC, Lu L, Xu ZY, Nogues I, Yao JH, Mollura D, Summers RM (2016) Deep
konferensi IEEE tentang visi komputer dan pengenalan pola, hlm 770–778 18. convolutional neural network for computer-aided detection: CNN architectures,
Li XY, Lu C, Gao L, Xiao SQ, Wen L (2018) Algoritma multi- karakteristik dataset dan pembelajaran transfer. IEEE Trans Med Imaging
objektif yang efektif untuk penjadwalan hemat energi secara real- bengkel las 35(5):1285–1298 38. Janssens O, Van de Walle R, Loccufier M, Van Hoecke
hidup. IEEE Trans Ind Inf 14(12):5400–5409 19. Wen L, Gao L, Li XY (2017) S (2018)
Pembelajaran transfer mendalam baru berdasarkan auto-encoder
jarang untuk diagnosis kesalahan. IEEE Trans Syst Man Cybern Syst. https://doi.org/ Pembelajaran mendalam untuk pemantauan kesehatan mesin berbasis citra
10.1109/tsmc.2017.2754287 20. Cho HC, Knowles J, Fadali MS, Lee KS termal inframerah. IEEE/ASME Trans Mechatron 23(1):151–159 39.
(2010) Deteksi kesalahan dan isolasi motor induksi menggunakan Shao S, McAleer S, Yan R, Baldi P (2018) Diagnosis kesalahan mesin yang sangat
jaringan saraf berulang dan pemodelan Bayesian dinamis. Teknologi Sistem Kontrol akurat menggunakan pembelajaran transfer mendalam. IEEE Trans Ind Inf
Trans IEEE 18(2):430–437 1:1. https://doi.org/10.1109/tii.2018.2864759 40. Chong UP
(2011) Deteksi dan diagnosis kesalahan berbasis model sinyal untuk motor induksi
menggunakan fitur sinyal getaran dalam domain dua dimensi. Stroj Vestn J
21. Sun C, Ma M, Zhao Z, Chen X (2018) Jaringan susun dalam yang jarang untuk Mech Eng 57(9):655–666 41. Kang M, Kim JM (2014) Diagnosis kesalahan
diagnosis kesalahan motor. IEEE Trans Ind Inf 14(7):3261–3270 22. Verma yang andal dari beberapa cacat motor induksi menggunakan representasi 2-d dari
NK, Gupta VK, gelombang Shannon. IEEE Trans Magn 50(10):1–13 42. Lu C, Wang Y,
Sharma M, Sevakula RK (2013) Pemantauan berbasis kondisi cerdas dari mesin Ragulskis M, Cheng Y (2016) Diagnosis kesalahan
berputar menggunakan enkoder otomatis jarang. Dalam: konferensi IEEE untuk mesin berputar: metode berdasarkan pemrosesan gambar. PLoS SATU
tentang prognostik dan manajemen kesehatan (PHM), Gaithersburg, MD, hlm 11(10):e0164111
1–7 23. Jia F, Lei Y, Guo L, Lin J, Xing S (2018) Jaringan saraf
yang dibangun dengan teknik pembelajaran mendalam dan aplikasi untuk diagnosis 43. Rauber TW, Assis Boldt F, Vareja˜o FM (2015) Model fitur heterogen dan
kesalahan mesin yang cerdas. Komputasi saraf 272(10):619–628 pemilihan fitur diterapkan untuk diagnosis kesalahan bantalan. IEEE Trans Ind
Electron 62(1):637–646
123
Machine Translated by Google
44. Han T, Jiang D, Zhao Q, Wang L, Yin K (2017) Perbandingan hutan dari konferensi Eropa masyarakat prognostik dan manajemen
acak, jaringan saraf tiruan, dan mesin vektor pendukung untuk kesehatan, hal 05–08 47.
diagnosis cerdas mesin berputar. Dalam: Transactions of the Smith WA, Randall RB (2015) Rolling element bearing diag nostics
institute of measurement and control, hlm 1–13 45. Zhu K, Song X, menggunakan data Case Western Reserve University: studi tolok
Xue D (2014) Metode diagnosis kesalahan bantalan rol berdasarkan ukur. Proses Sinyal Sistem Mech 64:100–131 48. Lei Y,
entropi hierarkis dan mesin vektor pendukung dengan algoritme Jia F, Lin J, Xing S, Ding SX (2016) Metode diagnosis kesalahan cerdas
pengoptimalan segerombolan partikel. Pengukuran 47:669–675 menggunakan pembelajaran fitur tanpa pengawasan terhadap data
besar mekanis. IEEE Trans Ind Electron 63(5):3137–3147
46. Lessmeier C, Kimotho JK, Zimmer D, Sextro W (2016) Pemantauan
kondisi kerusakan bantalan pada sistem penggerak elektromekanis Catatan Penerbit Springer Nature tetap netral sehubungan dengan
dengan menggunakan sinyal arus motor dari motor listrik: kumpulan klaim yurisdiksi dalam peta yang diterbitkan dan afiliasi kelembagaan.
data tolok ukur untuk klasifikasi berbasis data. Dalam: Prosiding
123