Improving Performance of an Artificial Neural Network Based Gearbox Fault Diagnosis System
Notice bibliographique
Résumé
The automatic vibration monitoring methods of gears and gearboxes due to their extensive applications in industry are improving. Hence, their vibration signal and its derived features, has been an interesting topic for researchers in this field. On the other hand, optimizing the number of vibration signal features used in the detection and diagnosis process is crucial for increasing the fault detection speed of automatic condition monitoring systems. In this paper, a system based on multiple layer perceptron artificial neural networks (MLP ANNs) is designed to diagnose different types of fault in a gearbox. Using a feature selection method, the system is optimized through eliminating unimportant features of vibration signals. This method is based on a simple and fast sensitivity evaluation process, which results in a considerable estimation, despite its simplicity. Consequently, the system’s speed increases, while the classification error decreases or remains constant in some other cases. An experimental test rig data set is used to verify the effectiveness and accuracy of the mentioned method. Four different types of data which are generated through the test rig setup are: no fault condition, 5% fault (5% eroded tooth) gear, 20% eroded tooth gear and the broken tooth gear. The results verify that eliminating some input features of gear vibration signal, using this method, will increase the accuracy and detection speed of gear fault diagnosis methods. The improved systems with fewer input features and higher precision, facilitates the development of online automatic condition monitoring systems.
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 ».