故障分類のための自動学習率スケジューラを備えた畳み込みニューラルネットワーク

故障分類はスマート製造において重要であり、畳み込みニューラルネットワーク（CNN）は故障分類に広く適用されています。しかし、CNNの性能はその学習率に大きく依存します。学習率のデフォルト設定では性能が保証されないため、学習率調整プロセスが不可欠となります。しかし、従来の学習率調整方法は、時間を消費するか、専門家の経験に依存しているため、ユーザーにとっては大きな障壁となっています。この欠点を克服するために、本記事では故障分類のための自動学習率スケジューラ（AutoLR-CNN）を備えたCNNを提案します。まず、長短期記憶（LSTM）を使用してCNNの過去の損失の特徴を抽出します。次に、深層決定論的ポリシー勾配（DDPG）に基づくエージェントを訓練し、CNNの学習率をオンラインで自動的に制御します。三番目に、提案された方法の安定性を向上させるために、二重CNN構造を開発します。提案されたAutoLR-CNNは、二つの著名なベアリングデータセットと風力タービンの実用的なベアリングデータセットでテストされました。AutoLR-CNNの結果は、Tensorflowで一般的に使用される6つのベースライン学習率スケジューラを上回っています。AutoLR-CNNは、他の報告された機械学習および深層学習方法とも比較されました。結果は、AutoLR-CNNが故障分類において最先端の性能を達成したことを示しています。