Vibration‐ and acoustic‐emissions based novelty detection of fretted bearings
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the use of a new feature reduction technique with novelty detection on vibration and acoustic‐emission sensors monitoring bearings mounted in the test benches of automotive manufacturers. Design/methodology/approach Signals from standard accelerometers and acoustic‐emission sensors were gathered from bearings operating under steady conditions on an accessory‐drive test bench. The bearings under test were subject to a variety of faults including fretting. These signals were processed and reduced to standard feature vectors, the dimensionality of which was reduced using a new principal‐component‐like technique optimized for novelty detection. The reduced data were analyzed with a novelty detection technique called the Support Vector Data Descriptor. Findings The classification results from these sensors, after being reduced with the proposed feature reduction technique, are substantially improved over those achievable with only standard novelty detection; nearly zero‐percent classification error was achieved. Research limitations/implications The feature reduction technique depends, in part, on the availability of the fault type in question – potentially violating the normal novelty detection assumption of limited abnormal data. This may require the manufacturer to gather real or simulated fault data prior to running tests. Practical implications Incipient faults may be detectable at a much earlier stage in a manufacturer's component failure analysis. Test engineers may use this technique to reliably automate the fault detection process and enable improved root‐cause analysis through the earlier identification of faults. Originality/value The application of the feature reduction technique will provide manufacturers and researchers with a new means of improving fault detection in machinery components.
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 ».