Detection of Bearing Fault Detection From Heavily Contaminated Signals: A Higher-Order Analytic Energy Operator Method
Notice bibliographique
Résumé
This paper reports a higher-order analytic energy operator (HO-AEO) approach to monitoring bearing health conditions from vibrations signals that are polluted by strong noise and multiple interferences. The proposed analytic energy operator (AEO) is formed using the raw signal, its Hilbert transform, and their derivatives. In analogy to the conventional energy operator (EO), it represents an alternative energy transformation. However, unlike the conventional EO, it exploits the information from both the real and imaginary parts of the analytic signal. It can also extract both the amplitude and frequency modulations and is thus well suited for detecting impulsive fault signature. The joint use of multiple higher-order AEOs can further offset noise effect. The built-in amplitude demodulation (AD) capability of the proposed HO-AEO eliminates the enveloping step required by most high-frequency resonance (HFR) methods. The method is simple and easy to implement. Our simulation and experimental results have demonstrated that the proposed method can effectively extract bearing fault signature in the presence of heavy noise and multiple vibration interferences. It has also been shown mathematically that the HO-AEO processed signal yields higher signal-to-interference ratio (SIR) than the conventional EO does. The simulation and experimental comparisons also indicate that the proposed method has much better noise and interference handling capabilities than the conventional EO.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».