Early Fault Detection Scheme and Optimized CBM Strategy for Gear Transmission System Operating under Varying Loads
Notice bibliographique
Résumé
The development of fault detection schemes and optimized condition-based maintenance (CBM) strategies for gear transmission systems has received considerable attention in recent years. Most models considered the gear systems operating under constant load. Constant load assumptions imply that changes in condition monitoring data are caused only by deterioration of the gear systems. However, most real gear systems operate under varying loads and speeds which affect the condition monitoring data signature of the system. This typically makes it difficult to recognize the occurrence of an impending fault and to optimize a CBM strategy.\nThis thesis first presents a novel approach to detect and localize the gear failure occurrence for a gear system operating under varying load conditions. An autoregressive model with exogenous variables is fitted to the time-synchronously averaged (TSA) condition monitoring data when the gear transmission system operated under various load conditions in good state. The fault detection and localization indicator is calculated by applying F-test to the residual signals of the ARX model. Then, the gear deteriorating process is modeled as a three state hidden continuous Markov model with partial information, and the model parameters are estimated using ARX model residuals. The pseudo likelihood function is maximized and the EM algorithm is applied. Finally, a multivariate Bayesian process control is developed to optimize the decision variables of the CBM strategy: the time interval for next data collection and the control limit for the posterior probability calculated at next data collection epoch. The decision variables are calculated by minimizing the total expected cost from current stage to the end of the production run. Dynamic programming is applied to update the decision variables after new monitoring data are acquired, and the maintenance decision is made by taking all available information into account.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».