A Fault Diagnosis Approach for Gears Using Multidimensional Features and Intelligent Classifier
Notice bibliographique
Résumé
Gear mechanisms are an important element in a variety of industrial applications and about 80% of the breakdowns of the transmission machinery are caused by the gear failure. Efficient incipient fault detection and accurate fault diagnosis are therefore critical to machinery normal operation. A new hybrid intelligent diagnosis method is proposed in this work to identify multiple categories of gear defection. In this method, wavelet packet transform (WPT), empirical mode decomposition (EMD) and Wigner-Ville distributions (WVD), combined with autoregressive (AR) model algorithm, were performed on gear vibration signals to extract useful fault characteristic information. Then, multidimensional feature sets including energy distribution, statistical features and AR parameters were obtained to represent gear operation conditions from different perspectives. The nonlinear dimensionality reduction algorithm, i.e. isometric mapping (Isomap), was employed in statistics to mine the intrinsic structure of the feature space in a low-dimensional space, and thus to speed up the training of the probabilistic neural network (PNN) classifier and enhance its diagnosis accuracy. Experiments with different gear faults were conducted, and the vibration signals were measured under different drive speeds and loads. The analysis results indicate that the proposed method is feasible and effective in the gear multi-fault diagnosis, and the isolation of different gear conditions, including normal, single crack, compound fault of wear and spalling, etc., has been accomplished. Since the recognition results are available directly from the output of PNN, the proposed diagnosis technique provides the possibility to fulfill the automatic recognition on gear multiple faults
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 ».