MARC

 008260126s2023        us                              c    eng  d
■001000017360399
■00520260202105519
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263338688
■035    ▼a(MiAaPQ)AAI32309456
■035    ▼a(MiAaPQ)GeorgiaTech76822
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621
■1001  ▼aXie,  Tingli.
■24510▼aDevelopment  of  Deep  Meta-Learning  Framework  for  Cross-Domain  Multisensory  Systems
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a210  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  A.
■500    ▼aAdvisor:  Choi,  Seung-Kyum.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aPrognostics  and  health  management  (PHM)  for  complex  industrial  systems  is  required  for  cost  reduction,  maintenance  schedules,  and  reducing  system  failures.  Catastrophic  failure  usually  causes  significant  damage  and  may  cause  injury  or  fatality,  making  early  and  accurate  diagnostics  of  paramount  importance.  As  important  parts  of  industrial  systems,  the  reliability  and  availability  of  critical  components  and  machinery  are  essential  to  ensuring  safe  and  continuous  operation  in  modern  industry.  With  the  development  of  sensor  and  information  technologies,  multisensory  systems  are  widely  used  in  the  modern  industry,  which  use  multiple  measurements  (e.g.,  vibratory,  electrical,  thermal,  acoustic,  and  oil-based  data,  etc.)  to  adequately  reflect  the  health  condition  of  critical  machinery.  As  a  result,  it  is  necessary  to  develop  intelligent  and  accurate  PHM  methods  for  multisensory  systems.However,  the  existing  deep  learning  (DL)-based  PHM  methodologies  still  have  some  critical  limitations:  1)  the  majority  of  the  existing  PHM  methodologies  were  vibration-based  methods  and  did  not  consider  the  integration  of  information  across  multiple  measurements;  2)  critical  machines  usually  operate  under  normal  condition  while  abnormal  conditions  rarely  happen,  leaving  only  a  small  or  limited  data  of  abnormal  conditions.  Also,  modern  industrial  equipment  generally  operates  in  complex  and  varying  conditions,  which  causes  the  cross-domain  problem  and  substantially  degrades  the  identification  performance  of  DL-based  models;  3)  when  new  health  conditions  occur  in  testing  samples,  most  DL-based  approaches  may  misclassify  samples  into  the  existing  types  of  health  conditions  defined  from  the  training  data,  which  will  cause  open-set  misclassification  problems  in  the  DL  model.To  address  these  issues,  a  deep  meta-learning  framework  for  cross-domain  multisensory  systems  is  investigated,  which  uses  information  fusion  strategy,  meta-learning,  and  convolution  neural  network  (CNN).  First,  to  enhance  the  utilization  of  multisignal  data  in  CNN-based  models,  a  multisignals-to-RGB-image  conversion  method  is  proposed  for  feature-level  information  fusion,  which  uses  principal  component  analysis  (PCA)  to  fuse  multisignal  data  into  three-channel  red-green-blue  (RGB)  images  for  further  identification.  Second,  a  novel  method  called  information  fusion-based  meta-learning  (IFML)  for  cross-domain  few-shot  problems  is  proposed,  which  can  not  only  be  generalized  to  identify  abnormal  conditions  with  limited  labeled  samples,  but  also  be  used  for  different  cross-domain  scenarios.  Third,  the  deep  meta-open  generative  adversarial  network  (DMO-GAN)  is  proposed  to  enhance  model  generalization  and  solve  open-set  misclassification  problems.  The  effectiveness  and  generalization  of  the  proposed  framework  are  validated  in  several  industrial  datasets  consisting  of  different  multisensory  systems.
■590    ▼aSchool  code:  0078.
■650  4▼aIndustrial  equipment
■650  4▼aTechnological  change
■650  4▼aFailure
■650  4▼aDeep  learning
■650  4▼aWavelet  transforms
■650  4▼aFiber  optics
■650  4▼aMonitoring  systems
■650  4▼aFourier  transforms
■650  4▼aFault  diagnosis
■650  4▼aMachinery
■650  4▼aNeural  networks
■650  4▼aDesign
■650  4▼aAcoustics
■650  4▼aIndustrial  engineering
■650  4▼aMathematics
■650  4▼aOptics
■690    ▼a0389
■690    ▼a0986
■690    ▼a0800
■690    ▼a0546
■690    ▼a0629
■690    ▼a0405
■690    ▼a0752
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05A.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360399▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서