転移学習と深層信念ネットワークに基づくギアボックス温度場画像故障診断手法の研究

Scientific Reports volume 13、記事番号: 6664 (2023) この記事を引用

391 アクセス

1 オルトメトリック

メトリクスの詳細

この論文では、熱画像技術をギアボックスの故障診断に応用しています。 温度場計算モデルは,さまざまな断層の温度場画像を取得するために確立された。 畳み込みニューラルネットワークの転移学習と、深層信念ネットワークの教師ありトレーニングおよび教師なしトレーニングを組み合わせた深層学習ネットワークモデルが提案されています。 このモデルに必要なトレーニング時間は、畳み込みニューラル ネットワーク モデルの 5 分の 1 です。 深層学習ネットワーク モデルのトレーニングに使用されるデータ セットは、ギアボックスの温度場シミュレーション画像を使用して拡張されます。 結果は、ネットワーク モデルがシミュレーション障害の診断に関して 97% 以上の精度を持っていることを示しています。 ギアボックスの有限要素モデルは、より正確な熱画像を取得するために実験データを使用して変更でき、この方法は実際にさらに効果的に使用できます。

振動信号の監視は、ギアボックスの故障診断に最も一般的に使用される方法です。 振動信号モニタリングには、適度なコスト、強力な信頼性、成熟したテクノロジーという利点があります1。 この方法の欠点には、接触測定、ローカル情報、環境条件の重大な影響、ノイズ公害による長距離伝送信号の重大な損失が含まれます2,3。 ギアボックスの故障診断の分野に温度信号を導入することは、故障判定の基礎に対する重要な補足です。

最近の研究では、温度信号には、ギアボックスの健全性状態の検出や故障診断に使用できる大量の情報が含まれていることが示されています4。 より包括的な情報と非接触の温度測定という利点を持つ赤外線熱画像技術は、研究者によってより懸念されています5。 クワンら。 歯が折れる 5 時間前に異常な温度上昇を検出できるニューラル ネットワーク ベースの画像処理ツールを開発しました6。 ユーナスら。 画像ヒストグラム特徴を使用した熱画像調査に基づいて、回転モーターの故障診断のための新しい方法を提案しました。 サポートベクターマシンなどの分類器による熱画像特徴の分類プロセスは、マシンの故障診断に役立つことが証明されています7。 その後、彼らは赤外線熱画像を使用してさまざまな機械の状態を分類するインテリジェントな診断システムを提案しました8。 リムら。 は、熱画像と振動信号を比較し、赤外線熱画像によるサポート ベクター マシン アルゴリズムを使用した故障診断方法を提案しました。 エマニュエル・レセンディズ・オチョアら。 は、赤外線画像を分析することによって歯車の摩耗を診断する方法を提案しました。 この方法では、まず赤外線画像の統計的な時間領域特性を計算し、次にデータの次元を削減し、最後にニューラル ネットワークによる故障診断を実行します9。 これらの調査のほとんどは、特定の条件下での故障診断です。 これに基づいて、Shao et al。 は、さまざまな動作条件下での軸受の故障診断に畳み込みニューラル ネットワークを使用した転移学習方法を提案しました10。 李龍波ら。 我々は、熱画像画像からバグオブビジュアルワード法を用いて故障特徴を抽出し、サポートベクターマシンを用いて回転機械の故障を分類することで、非定常運転条件下での回転機械の故障診断を実現した11。 Bai Tangbo は、赤外線熱画像の低コントラスト、ぼやけたエッジ、高ノイズという欠点を解決できる回転機械の故障診断方法を提案しました12。

上記の研究では、訓練や検証に使用するデータセットが少なく、さまざまな障害条件下ですべてのデータを取得することが困難であるという、精度向上の点で共通の課題があります3。

本論文では,ギアボックスの有限要素モデルを確立し,定常状態のギアボックスの表面上の温度場分布を計算し,対応する温度場画像を取得した。 畳み込みニューラルネットワークの転移学習と深層信念ネットワークを組み合わせたギアボックス故障診断用の深層学習ネットワークモデルを提案した。 ギアボックス温度フィールド画像はギアボックスの故障診断において高い精度を持っていることが確認されました。

本稿で使用する増速機は図 1 に示すとおりであり，平行軸をもつ入力歯車対と 2 組の遊星歯車列から構成されている． 歯車パラメータを表 1 に示します。

ギアボックスの立体モデル。

熱伝達モードには、熱伝導、熱対流、熱放射が含まれます。 ギアの相対的な回転と滑り、ベアリングの回転、ギアとベアリングの混合オイルと混合ガスによって引き起こされる動力損失は、作動状態でギアボックスが発生する主な熱源です。

ギアの動力損失を計算するには多くの公式があります。 この論文では、Anderson-Loewenthal の計算方法が使用されています13。 軸受の発熱量計算には、パルムグレン社の低速軸受の摩擦トルク計算式を採用しています14。 機械設計マニュアルは、遊星歯車装置の総合効率を計算し、総合動力損失を計算するために使用されます15。 シャフトの撹拌損失および両側のギヤおよびベアリングの撹拌損失は、英国規格BS ISO/TR14179-1-200116により計算されます。 上記で選択した式を表 2 に示します。

ギアボックスのさまざまな表面の熱伝達係数は、接触媒体によって異なります。 歯車の歯面の対流熱伝達係数 (CHTC) は、Handschuh が提案した数学モデルを採用して歯車の噛み合い面の CHTC を計算します。 ギヤと遊星キャリアの両側の CHTC は、回転ディスクと媒体の CHTC の計算式を採用しています17。 ベアリングとシャフトの CHTC は、Zhao の論文 18 の計算式によって計算されます。 ボックスの内面と媒体の間の CHTC は Gnielinski の公式に基づいており、外面と媒体の間の CHTC は Churchill と Bernstein によって提案された単管基準に基づいています 19。 上記で選択した式を表 3 に示します。

ギアボックスの定常状態の温度場モデルを確立するために使用されるパラメーターは、上記の式から取得できます。

通常の動作中、ギアボックスの温度場は徐々に安定します。 ギアが故障すると、安定温度場が変化します。 ギアボックスの動作状態は、ギアボックスの温度場分布に反映されます。

定常状態の温度場モデルパラメータの計算式は上で紹介されました。 これらのパラメータからギアボックスの計算モデルを確立することにより、ギアボックスの表面上の温度場分布を取得できます。 モデルは次のように単純化されます。

作動状態では入力歯車対の接触部が交互に接触しており、発熱は均一です。 したがって、歯車の噛み合い部分を簡素化することができる。 計算された発熱は、単純化された歯車モデルに対応する接触面に均一に適用できます。

遊星歯車機構の各歯車に対応する噛み合い部分が交互に接触するため、接触面の熱分布が均一になります。 したがって、遊星歯車機構の簡略化は次の 3 つのステップに分けることができます。 まず、ギアボックスの全体的な熱流束を計算します。 次に、モデルの遊星歯車、太陽歯車、遊星キャリアを取り外して同等のモデルを取得します。 最後に、シャフトとギアリングに伝わる熱流束密度が等価モデルの対応する位置に均一に適用されます。

入力部のギアボックスと初段遊星歯車機構は高温になるため、温度場分布の特性が明らかです。 出力部（2段目遊星歯車機構部）は温度が低いため、温度場分布特性は明らかではありません。 したがって、本稿では、ギアボックスの入力部分と初段遊星歯車列のギア故障診断のみを研究します。

この論文では、畳み込みニューラル ネットワーク モデルを最初に確立します。 次に,伝達学習と深層信念ネットワークを組み合わせたギアボックス故障診断用の深層学習ネットワークモデルを提案し,2つのモデルを比較した。

畳み込みニューラル ネットワークは画像分類に広く使用されています。 まず、畳み込みネットワークモデルを紹介します。 モデルの構造を図 2 に示します。この論文では、畳み込みニューラル ネットワークを使用してデータセットをトレーニングし、分類結果を取得します。

畳み込みネットワークモデルの構造。

畳み込みニューラル ネットワークの転移学習と深層信念ネットワーク (TrCNN-DBN) を組み合わせたギアボックス故障診断の深層学習ネットワーク モデルは、温度場画像拡張 (TFIE)、畳み込みニューラル ネットワーク転移学習 (TrCNN)、深層信念ネットワークの 3 つの部分で構成されます。 (DBN) 障害分類。

TFIE は入力画像を回転し、画像の明るさを調整し、画像にノイズとブラーを追加します。 回転により、サーマルイメージャのジッターがシミュレートされます。 画像の明るさを調整したり、ノイズを追加したり、画像をぼかしたりすることで、撮影環境の光の変化をシミュレートします。 画像を拡張すると、トレーニングに使用されるデータセットが大幅に増加するため、精度が向上します。

TrCNN は、オックスフォード大学の Visual Geometry Group によって提案された VGG16 モデルを使用します。 この論文では、VGG16 モデルの最初の 19 層畳み込みニューラル ネットワークを使用して画像の特徴を抽出します。 次に、取得されたデータは DBN ネットワークのトレーニングと分類に使用されます。 モデル構造を図 3 に示します。

TrCNN-DBNの構造。

DBN は、制限付きボルツマン マシンとシグモイド信念ネットワークから構成される確率生成モデルです。 教師あり学習と教師なし学習を組み合わせると、畳み込みニューラル ネットワークの全結合層と比較して、ネットワークの上位層の情報を次の層により適切に継承できます。

診断プロセスは次のとおりです。

ギアボックスの定常熱計算モデルによってシミュレートされた特定の動作条件下での温度場分布画像は、トレーニング セットと検証セットの 2 つのカテゴリに分類されます。

トレーニング セットの画像を拡張して、トレーニング セット内のサンプル数を増やし、さまざまな撮影環境での画像をシミュレートします。

画像強調されたトレーニング セット画像と検証セット画像は、特徴抽出のために TrCNN に入力されます。

抽出された特徴データは DBN に入力され、障害予測のための特徴がさらに抽出されます。

図 4 に示すように、畳み込みニューラル ネットワーク モデルを使用してトップビュー画像とレフトビュー画像をトレーニングすると、モデルの分類精度は 3 エポック後に 100% に達し、損失はほぼ 0 になります。畳み込みニューラル ネットワーク モデルで学習されたメイン ビュー画像は 99%、損失は 0.06. トップ ビュー画像とメイン ビュー画像に対する TrCNN-DBN の分類精度は 100%、左ビューの分類精度は 100% です。写真は97％です。 2 つのモデルの分類精度は同等ですが、畳み込みニューラル ネットワーク モデルのトレーニング時間は TrCNN-DBN の 5 倍です。 したがって、ギアボックスの故障診断には TrCNN-DBN モデルが選択され、モデル TrCNN-DBN のトレーニング結果が詳細に紹介されます。

パフォーマンス曲線のトレーニングとテスト。

ギアボックス ハウジングの定常状態の温度場分布は、3 方向の熱画像によって完全に表現できます。 したがって、3 方向の熱画像をそれぞれ強調して抽出し、得られた特徴データをベクトルに結合して DBN のトレーニングと故障予測を行います。 具体的なプロセスは次のとおりです。

ギアボックスが入力軸速度 1450 \(\mathrm{r}/\mathrm{min} という特定の動作条件で動作する場合、回転速度、負荷、周囲温度、潤滑油の動粘度は変化しないと仮定します。 \)、周囲温度は 20 \(\mathrm{^\circ{\rm C} }\) です。 単一の発熱コンポーネントの熱発生が通常の状況の 20% より高いと仮定すると、故障診断モデルはギアボックスの故障の可能性について早期に警告します。 ギアボックスの動作条件を表 4 に示します。

これら 2 つの仮定に基づいて、各発熱部品の発熱量が通常の発熱量の 100 ～ 120% である場合のギアボックス ハウジングの表面温度場分布が計算されます。 この時点でギアボックスは正常に動作していると考えられ、このときのギアボックスハウジングの表面温度場画像が取得されます。 次に、ある発熱部品の発熱量が通常状態の発熱量の 120 ～ 140% であり、他の発熱部品の発熱量が通常状態である場合のギアボックスの表面温度場分布を計算します。 このとき、ギアボックスは発熱部の故障状態にあると考えられ、このときのギアボックスの表面温度場画像が取得される。 具体的な勾配は実際の状況に応じて選択でき、各計算結果はケースとして考慮されます。 取得された画像はトレーニングセットと検証セットに従って分類され、上で提案された故障診断モデルの特定の診断プロセスに従って操作されます。

この論文では、正常な場合 150 ケース、障害 1 (図 1 の c 部分が故障) の 150 ケース、および障害 2 (図 1 の j 部分が故障) の 150 ケースをシミュレートします。 正常状態での 150 枚の画像、故障 1 の画像 150 枚、故障 2 の画像 150 枚を含む、合計 450 枚のギアボックス温度場分布の画像が取得されました。それぞれの画像は、トレーニング セットとして 125 枚の画像を撮影し、検証セットとして 25 枚の画像を撮影しました。

T 分散確率的近傍埋め込み (t-SNE) は教師なし非線形技術であり、主にデータ探索と高次元データの視覚化に使用されます。 モデルへの画像入力、CNN 層の出力、DBN 層の出力は、t-SNE 法を使用して視覚化されます。 図 5 に示すように、元の画像内のさまざまなタイプのデータが重なっており、CNN 層を通過した後、さまざまな種類の障害がある程度の分離性を示しています。 DBN 層を通過した後、各タイプのデータは完全に分離され、モデルの故障特性が優れていることがわかります。

T-SNE の次元削減の視覚化。

モデルの最終的な分類結果を図 6 に示します。混同行列から、本論文で提案した TrCNN-DBN モデルは各シミュレーション条件に対して 100% の分類精度を備えていることがわかります。 また、図 7 に示すように、各作業条件の f スコア値、再現率、適合率は 1 です。モデルの精度、損失、反復回数の関係は図 4m に示されています。 n. 150 エポック後、トレーニング セットと検証セットのモデルの損失が 0 近くまで減少していることがわかります。精度も 100% で、ほとんど変化しません。 本稿で提案した TrCNN-DBN は有限要素法でシミュレーションしたギアボックスの定常温度場分布画像に対して高い故障診断精度を持っている。

3 方向ビューの混同マトリックス。

提案手法の適合率、再現率、Fスコア。

一方で、実際の作業では、ギアボックスの一部の部品は他の部品よりも故障しやすくなります。 故障が発生した場合、ギアボックス全体が検出されるため、定期的なテスト中に故障しにくい部品をメンテナンスできます。 熱画像装置はより高価です。 コストを削減するには、熱画像装置の数を減らす必要があります。 一方で、ギアボックスの取り付け位置によっては、3方向の熱画像が取得できない場合があります。 そこで本論文では、故障診断に単方向熱画像の使用を提案する。

故障診断は、上で切り取った 3 方向のいずれかの温度フィールド画像と、上で提案した故障診断モデルを使用して実行されます。 計算結果を図 8 に示します。混同行列からわかるように、上面図と主面図のモデルの分類精度は 100% ですが、左面図の分類精度は 97% です。

単一方向ビューの混同行列。

図 4 から、上面図のモデルの精度は 100% であり、60 エポック後に安定していることがわかります。 メイン ビューの精度は 100 エポック後には 100% に近くなりますが、それでも変動します。 左側のビューの精度は、100 エポック後に 97% で安定しました。 また、図 7 は、左方向ビューの障害特定のモデルの精度が他の 2 方向のモデルの精度よりも低いことも示しています。 上記の結果は、上面方向が 2 つのシミュレートされた故障の温度に敏感な方向であり、この方向の故障診断の方が精度と安定性が高いことを示しています。 この結果を 3 方向画像の計算結果と比較すると、断層に敏感でない方向のデータが敏感な方向の分類結果に影響を与えることがわかります。

この論文では、ギアボックスの有限要素温度場シミュレーション画像を深層学習と組み合わせて、ギアボックス状態監視 (FETFS) に適用します。 TrCNN-DBN と畳み込みニューラル ネットワーク モデルの精度を比較し、TrCNN-DBN の分類結果を詳細に説明します。 TrCNN-DBN の学習時間は畳み込みニューラル ネットワーク モデルの 5 分の 1 であることが確認されています。 また、TrCNN-DBNは三方向熱画像、一方向熱画像ともに高い故障判定精度を持っています。 FETFS メソッドは、ギアボックスが故障した場合に温度場分布データベースを大幅に拡張できます。 TrCNN-DBN は、畳み込みニューラル ネットワークの転移学習をギアボックスの故障診断に適用し、トレーニングする必要があるパラメーターの数を減らし、時間と設備コストを節約します。 結果は、TrCNN-DBNがギアボックスの単一故障の3方向のシミュレーション温度場画像の診断に対して高感度で信頼性があり、設定された動作条件と故障条件下での故障識別の精度が97%を超えることを示しています。 さらに、単一方向のシミュレーション画像を使用して特定の故障の故障を診断でき、精度も97%以上に達することが証明されました。

本論文は,モデルの温度場画像を計算することによってギアボックスの故障特定がうまく実行できることを検証した。 実験結果に基づいた有限要素モデルの更新は、広く使用されている成熟した技術です20、21、22、23。 したがって，本論文で提案した手法は適用目的に応じてテストすることができ，モデルを修正することでより正確な画像を得ることができる． したがって、この論文はギアボックスのデジタルツイン熱伝達モデルを確立する上で非常に重要です。

著者は著者の順序に同意します。

この研究の結果を裏付けるデータは南京高速歯車製造有限公司から入手可能ですが、これらのデータの入手には制限が適用され、現在の研究ではライセンスに基づいて使用されているため、一般には公開されていません。 データを取得する必要がある場合は、この記事の責任著者に連絡してください。

構成定数

歯面幅、m

温度差補正係数

比例定数

液体撹拌の抗力モーメント係数

ドラッグトルク係数

ギアボックスの直径、m

シャフト径、m

ベアリングピッチ直径、m

ギアピッチ直径、m

ピッチ直径、m

ダーシー抵抗係数

に関連する係数

ギアの濡れ係数

荷重係数

フルード数

転がり牽引力、N

すべり力N

対流熱伝達

ギアの油への浸漬深さ、m

伝達比

オイル熱伝導率、W/(m・K)

ギアボックスの長さ、m

特性サイズ、m

モジュール

指数定数

ギヤ比、Ng/Np

総摩擦トルク、N/m

荷重による摩擦モーメント、N/m

潤滑油粘度に関係する軸受摩擦トルク、N/m

回転速度、rpm

平均ヌッセルト数

パワー、KW

等価動荷重、N

ローリング負け、KW

平均プラントル数

滑り損失、KW

風損損失、KW

油撹拌動力損失、KW

プラントル数

歯車基礎円の半径、m

ギアピッチ半径、m

レイノルズ数

水没表面積、m2

流体の動粘度、m2/s

ベアリングケージ速度、m/s

潤滑油量、V

回転速度、m/s

滑り速度、m/s

装備

ピニオン

ソーラーギア

ギアリング

遊星歯車

プラネットキャリア

効率

空気熱伝導率、W/(m・K)

流体密度、kg/m3

実験により得られた定数係数

回転角速度、rad/min

潤滑剤の絶対粘度、Pa s

伝送損失係数

Li, X.、Cheng, J.、Shao, H.、Liu, K. & Cai, B. 強い干渉と不均衡な状況下での回転機械の故障診断のためのフュージョン CWSMM ベースのフレームワーク。 IEEEトランス。 業界情報 18(8)、5180–5189。 https://doi.org/10.1109/TII.2021.3125385 (2022)。

記事 Google Scholar

Li、Y.、Gu、JX、Zhen、D.、Xu、M.、および Ball, A. 畳み込みニューラル ネットワークを適用した赤外線熱画像を使用したギアボックス状態監視の評価。 センサー。 19(9)、2205。https://doi.org/10.3390/s19092205 (2019)。

論文 ADS PubMed PubMed Central Google Scholar

李龍波ら。 畳み込みニューラルネットワークと赤外線熱画像に基づく回転機械の故障診断。 顎。 J. エアロノート。 167(02)、42–53 (2020)。

Google スカラー

Laborda, A. et al. ロックインサーモグラフィーを使用した多層コーティングの疲労評価。 メーター。 デス。 141、361–373 (2018)。

記事 CAS Google Scholar

Lim, GM, Bae, DM & Kim, JH サポートベクターマシンのサーモグラフィ法による回転機の故障診断。 Ｊ．Ｍｅｃｈ． 科学。 テクノロジー。 28(8)、2947–2952 (2014)。

記事 Google Scholar

Kwan、CM、Xu、R.、Haynes、LS、Rozlosnik、AE、Dinwiddie、RB 赤外線カメラを使用したギアボックスの故障予測。 SPIE国際社会オプション。 工学 4360、285–289 (2001)。

ADS Google Scholar

Younus, AM、Achmad, A. & Yang, BS 機械の故障診断のためのサーモグラフィー画像データの評価。 非破壊。 テスト。 評価。 25(3)、231–247 (2010)。

記事 ADS Google Scholar

Younus, A. & Yang, BS 赤外線熱画像を使用した回転機械のインテリジェントな故障診断。 エキスパートシステム。 応用 39(2)、2082–2091 (2012)。

記事 Google Scholar

Resendiz-Ochoa, E.、Saucedo-Dorantes, JJ、Benitez-Rangel, JP、Osornio-Rios, RA & Morales-Hernandez, LA 教師あり学習と赤外線サーモグラフィーを使用した、ギアの摩耗の状態監視のための新しい方法論。 応用科学。 10(2)、506。https://doi.org/10.3390/app10020506 (2020)。

記事 Google Scholar

Shao, H.、Xia, M.、Han, G.、Zhang, Y. & Wan, J. 修正された転送畳み込みニューラル ネットワークと熱画像を使用した、さまざまな動作条件下でのローター ベアリング システムのインテリジェントな故障診断。 IEEEトランス。 業界情報 17(5)、3488–3496 (2021)。

記事 Google Scholar

Li, Y.、Wang, X.、Si, S.、Du, X. 赤外線サーモグラフィーを使用した、速度変動条件下での回転機械の新しいインテリジェントな故障診断方法。 複雑さ 2019(5)、1 ～ 12 (2019)。

Google スカラー

Bai, T.、Zhang, L.、Duan, L. & Wang, J. 回転機械の故障診断のための Nsct ベースの赤外線画像強調法。 IEEEトランス。 インストラム。 測定。 65(10)、2293–2301 (2016)。

記事 ADS Google Scholar

ネブラスカ州アンダーソン、SH ローウェンタール、JD ブラック 航空機のギアボックスの効率を予測する分析手法。 私のように。 Ｊ．Ｍｅｃｈ． トランス。 オートム。 108(3)、424–432。 https://doi.org/10.1115/1.3258750 (1986)。

記事 Google Scholar

Xiang, X. ギアケース内の熱伝達のコンピュータシミュレーションと計算。 機械伝達ジャーナル。 27(5): 1-4 (2003)。

機械設計マニュアル編集委員会。 機械設計マニュアル。 Vol. 6. (Machinery Industry Press、2004)。

BS ISO/TR14179-1-2001。

Honhai、XU、Jiang、J.、Yuan、HU 高速列車駆動用変速機の定常温度場解析のモデリングとシミュレーション。 ルブル。 工学 44(9)、44–49 (2019)。

Zhao, N.、Peng, Y.、Lin, Y. PCA-tn に基づくヘリコプター ギアボックスの一般的な熱解析。 ハンコンドンリ・シュエバオ/J. エアロスプ。 パワー 32(7)、1676–1682 (2017)。

Google スカラー

Shiming, Y. & Wenquan, T. Heat Transfer 第 4 版、248–258 (Higher Education Press、2006)。

Google スカラー

Pan、L.、Zhang Bo、Wu.、Wenmin、ZY、Yumei、Hu. 歯車飛沫潤滑と温度場に関するシミュレーション研究。 自動車。 テクノロジー。 9、42–48 (2019)。

Google スカラー

Wu, X.、Chen, L. 土圧バランス シールド マシンの遊星歯車列の熱バランス解析。 中国のメカ。 工学 23(7)、777–782 (2012)

Daqian、P. et al. さまざまな動作条件下での電気機械トランスミッションの遊星歯車システムの過渡温度場。 Acta Armamentarii 10、2268–2277 (2021)。

Google スカラー

Yueming, Z.、Hao, Z.、Shuting, J.、Tianyu, Z. 内歯車駆動噛み合い面の定常状態温度場の解析。 J. 南京大学飛行士。 宇宙飛行士。 1、157–162。 https://doi.org/10.16356/j.1005-2615.2022.01.018 (2022)。

記事 Google Scholar

リファレンスをダウンロードする

この研究は、中国国家自然科学財団 (52275092) および江蘇省産業および情報産業の変革とアップグレード プロジェクト (7602006021) によって部分的に支援されました。

東南大学機械工学部、南京、211189、中国

シー・ルー＆パン・リー

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

XL は研究を設計し、論文の草稿を作成しました。 PLはプログラミングとデータ分析に携わりました。 すべての著者は原稿の出版版を読み、同意しました。

Xi Lu への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Lu, X.、Li, P. 伝達学習と深層信念ネットワークに基づくギアボックス温度場画像故障診断方法の研究。 Sci Rep 13、6664 (2023)。 https://doi.org/10.1038/s41598-023-33858-w

引用をダウンロード

受信日: 2022 年 10 月 20 日

受理日: 2023 年 4 月 20 日

公開日: 2023 年 4 月 24 日

DOI: https://doi.org/10.1038/s41598-023-33858-w

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。