A New Method of Nonlinear Feature Extraction for Multi-Fault Diagnosis of Rotor Systems
Notice bibliographique
Résumé
Rotor systems have been extensively used in a variety of industrial applications. However an unexpected failure may cause a break down of the rotational machinery, resulting in production and significant economic losses. Efficient incipient fault diagnosis is therefore critical to the machinery normal operation. Noise and vibration analysis is popular and effective for the rotor fault diagnosis. One of the key procedures in the fault diagnosis is feature extraction and selection. Literature review indicates that only limited research considered the nonlinear property of the feature space by the use of manifold learning algorithms in the field of mechanical fault diagnosis, and nonlinear feature extraction for rotor multi-fault detection has not been studied. This paper reports a new development based on a novel supervised manifold learning algorithm (adaptive locally linear embedding) applied to nonlinear feature extraction for rotor multiple defects identification. The adaptive locally linear embedding (ALLE) combines with the adaptive nearest neighbour algorithm and supervised locally linear embedding (LLE) to provide an adaptive supervised learning. Hence, distinct nonlinear features could be extracted from high-dimensional dataset effectively. Based on ALLE, a new fault diagnosis approach has been proposed. The independent component analysis (ICA) was firstly employed to separate the faulty components of the rotor vibration from the observation data. Then wavelet transform (WT) was used to decompose the recovered signals, and statistical features of frequency bands were hence calculated. Lastly, ALLE was applied to learn the low-dimensional intrinsic structure of the original feature space. The experiments on vibration data of single and coupled rotor faults have demonstrated that sensitive fault features can be extracted efficiently after the ICA-WT-ALLE processing, and the proposed diagnostic system is effective for the multi-fault identification of the rotor system. Furthermore, the proposed method achieves higher performance in terms of the classification rate than other feature extraction methods such as principal component analysis (PCA) and locally linear embedding (LLE).
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 ».