An evolvable self-organizing neuro-fuzzy multilayered classifier with group method data handling and grammar-based bio-inspired supervisors for fault diagnosis of hydraulic systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to apply a hybrid neuro-fuzzy paradigm called self-organizing neuro-fuzzy multilayered classifier (SONeFMUC) to classify the operating faults of a hydraulic system. The main motivation behind the use of SONeFMUC is to attest the capabilities of neuro-fuzzy classifier for handling the difficulties associated with fault diagnosis of hydraulic circuits. Design/methodology/approach – In the proposed methodology, first, the neuro-fuzzy nodes at each layer of the SONeFMUC are trained separately using two well-known bio-inspired algorithms, i.e. a semi deterministic method with random walks called co-variance matrix adaptation evolutionary strategy (CMA-ES) and a swarm-based explorer with adaptive fuzzified parameters (SBEAFP). Thereafter, a revised version of the group method data handling (GMDH) policy that uses the Darwinian concepts such as truncation selection and elitism is engaged to connect the nodes of different layers in an effective manner. Findings – Based on comparative numerical experiments, the authors conclude that integration of neuro-fuzzy method and bio-inspired supervisor results in a really powerful classification tool beneficial for uncertain environments. It is proved that the method outperforms some well-known classifiers such as support vector machine (SVM) and particle swarm optimization-based SVM (PSO-SVM). Besides, it is indicated that an efficient bio-inspired method can effectively adjust the constructive parameters of the multi-layered neuro-fuzzy classifier. For the case, it is observed that designing a fuzzy controller for PSO predisposes it to effectively balance the exploration/exploitation capabilities, and consequently optimize the structure of SONeFMUC. Originality/value – The originality of the paper can be considered from both numerical and practical points of view. The signals obtained through the data acquisition possess six different features in order for the hydraulic system to undergo four types of faults, i.e. cylinder fault, pump fault, valve leakage fault and rupture of the piping system. Besides, to elaborate on the authenticity and efficacy of the proposed method, its performance is compared with well-known rival techniques.
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.
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 | 0,001 | 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 | 0,001 | 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 découle