Fault Diagnosis of an Industrial Machine Through Neuro-Fuzzy Sensor Fusion
Notice bibliographique
Résumé
In this paper a neuro-fuzzy approach of multi-sensor fusion is developed for a fault diagnosis system. The approach is validated by applying it to a machine called the Iron Butcher, which is used in industry for the removal of heads in fish prior to further processing for canning. An important goal of this approach developed in this paper is to make an accurate decision of the machine condition by fusing information from different sensors. Specifically, sound, vibration and vision measurements are acquired from the machine using a microphone, an accelerometer and a digital CCD camera, respectively. Next, the sound and vibration signals are transformed into the frequency domain using Fast Fourier Transform (FFT). A feature vector from the FFT frequency spectra is defined and extracted from the acquired information. Also, a feature based vision tracking approach—the Scale Invariant Feature Transform (SIFT)—is applied to the vision data to track the object of interest (fish) in a robust manner. In the diagnosis process, a candidate fish is detected and tracked. Sound, vibration and vision features are extracted as inputs for the neuro-fuzzy fault diagnosis system. A four-layer neural network including a fuzzy hidden layer is developed to analyze and diagnose any existing faults. By training the neural network with sample data for typical faults, six crucial faults in the fish cutting machine are detected precisely. In this manner, alarms to warn about impending faults may be generated as well during the machine operation. Developed approaches are validated using computer simulations and physical experimentation using the industrial machine.
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 | 0,001 |
| 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) | 0,008 | 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 ».