MétaCan
Menu
Retour à la cohorte
Enregistrement W2337538840 · doi:10.1177/1350650115619611

Optimized statistical parameters of acoustic emission signals for monitoring of rolling element bearings

2015· article· en· W2337538840 sur OpenAlexaff
Farzad Hemmati, Mohammed Alqaradawi, Mohamed S. Gadala

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part J Journal of Engineering Tribology · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueMachine Fault Diagnosis Techniques
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesQatar National Research Fund
Mots-clésAcoustic emissionRolling-element bearingPrognosticsSIGNAL (programming language)Condition monitoringBearing (navigation)Signal processingEngineeringStructural engineeringAcousticsComputer scienceElectronic engineeringVibrationReliability engineeringArtificial intelligenceElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Acoustic emission (AE) signal generated from artificial defects in rolling element bearings are investigated using experimental measurements in this paper. Rolling element bearings are crucial parts of many machines and there has been an increasing demand to find effective and reliable health monitoring technique and advanced signal processing to detect and diagnose the size and location of incipient defects. Condition monitoring of rolling element bearings, comprises four main stages which are, statistical analysis, faults diagnostics, defect size calculation, and prognostics. In this paper, the effect of defect size, operating speed, and loading conditions on statistical parameters of AE signals, using design of experiment method, have been investigated to select the most sensitive parameters for diagnosing incipient faults and defect growth on rolling element bearings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,484
Score d'incertitude au seuil0,831

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,283
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part J Journal of Engineering TribologyMême sujetMachine Fault Diagnosis TechniquesTravaux en français237 207