A Novel Approach to Evaluation of Vibration Source Separation Based on Spatial Distribution of Sensors and Fourier Transforms
Notice bibliographique
Résumé
An obstacle in diagnosis of multicomponent machinery using multiple sensors to acquire vibration data is firstly found in the data acquisition itself. This is due to the fact that vibration signals collected by each sensor are a mixture of vibration produced by different components and noise; it is not evident what signals are produced by each component. A number of research studies have been carried out in which this problem was considered a blind source separation (BSS) problem and different mathematical methods were used to separate the signals. One complexity with applying such mathematical methods to separate vibration sources is that no metric or standard measure exists to evaluate the quality of the separation. In this study, a method based on statistical energy analysis (SEA) is proposed using Fourier transforms and the spatial distance between sensors and components. The principle of this method is based on the fact that each sensor, with respect to its location in the system, collects a different version of the vibration produced in the system. By applying a short time Fourier transform to the signals collected by multiple sensors and making use of a priori knowledge of the spatial distribution of sensor locations with respect to the components, the source of the peaks on the frequency spectra of the signals can be identified and attributed to the components. The performance of the method was verified using a series of experimental tests on synthetic signals and real laboratory signals collected from different bearings and the results confirmed the efficacy of the method.
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 | 0,005 | 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 ».