Identifying Crack Parameters in Slow Rotating Machinery Using Vibration Measurements and Hybrid Neuro-Particle Swarm Technique
Notice bibliographique
Résumé
Low-cycle fatigue-initiated cracks may result in failure in slow-rotating equipments. Online monitoring to identify such fault/crack parameters, namely crack size and crack location, would be critical in providing an early warning signal to the operator and would be used in calculating estimate about the remaining safe life of the equipment in operation. In an earlier study, a scaled-down slow-rotating washer drum was constructed to experimentally investigate the vibrations of a cracked rotor and/or drums. Cracks were simulated using the bolt removal method (BRM), and the vibration signals identifying signatures of certain cracks were measured. Thereafter, a 3D finite element model was used to solve the forward analysis of the inverse problem of crack identification. In this paper, the scaled-down experimental setup is introduced to cracks at different locations of the drum/rotor. Vibration signals identifying signatures of such cracks are measured. Since noisy signals, similar patterns of faults, and similar vibration fault signals create particular challenges for feature extraction systems, two techniques for feature extraction are considered and compared in this work. The fast Fourier transform (FFT) of the vibration signals showing variation in amplitude of the harmonics as time progresses are presented for comparison with the full time signal feature extraction. A hybrid particle-swarm artificial Neural Networks (neuro-particle swarm) is used to identify both the crack size and crack location. The hybrid neuro-particle swarm technique is compared with the previously investigated fuzzy genetic algorithms.
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 | 0,001 | 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 | 0,001 |
| 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 ».