K-Hybrid: A Kurtosis-Based Hybrid Thresholding Method for Mechanical Signal Denoising
Notice bibliographique
Résumé
This paper presents a kurtosis-based hybrid thresholding method, K-hybrid, for denoising mechanical fault signals. The threshold used in the hybrid thresholding method is determined based on kurtosis, which is an important indicator of the signal-to-noise ratio (SNR) of a signal. This together with its sensitivity to outliers and data-driven nature makes a kurtosis-based threshold particularly suitable for on-line detection of mechanical faults featuring impulsive signals. To better reflect the signal composition, the proposed hybrid thresholding rule divides the wavelet transformed input signals into four zones associated with different denoising actions. This alleviates the difficulties present in the simple keep-or-remove and shrink-or-remove approaches adopted by the hard- and soft-thresholding rules. The boundaries of the four zones are on-line adjusted in response to the kurtosis change of the signal. Our simulation results suggest that the mean squared error (MSE) is unable to distinguish the results in terms of the amount of falsely identified impulses. It is therefore inappropriate to use MSE alone for evaluating the denoising results of mechanical signals. As such, a combined criterion incorporating both MSE and false identification power Pfalse is proposed. Our analysis has shown that the proposed K-hybrid approach outperforms the soft, hard, and BayesShrink thresholding methods in terms of the combined criterion. It also compares favorably to the MAP thresholding method for signals with low kurtosis or low SNR. The proposed approach has been successfully applied to noise reduction and fault feature extraction of bearing signals.
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 | 0,000 |
| 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 ».