Fault detection of gearboxes using synchro-squeezing transform
Notice bibliographique
Résumé
This paper presents a novel fault detection method for gearbox vibration signatures using the synchro-squeezing transform (SST). Premised upon the concept of time-frequency (TF) reassignment, the SST provides a sharp representation of signals in the TF plane compared to many popular TF methods. Additionally, it can also extract the individual components, called intrinsic mode functions or IMFs, of a nonstationary multi-component signal, akin to empirical mode decomposition. The rich mathematical structure based on the continuous wavelet transform makes synchro-squeezing a promising candidate for gearbox diagnosis, as such signals are frequently constituted out of multiple amplitude and frequency modulated signals embedded in noise. This work utilizes the decomposing power of the SST to extract the IMFs from gearbox signals, followed by the application of both condition indicators and fault detection to gearbox vibration data. For robust detection of faults in gear-motors, a fault detection technique based on time-varying auto-regressive coefficients of IMFs as features is utilized. The sequential Karhunen–Loeve transform is employed on the condition indicators to select the appropriate window sizes on which the SST can be applied. This approach promises improved fault detection capability compared to applying condition indicators directly to the raw data. Laboratory experimental data obtained from a drivetrain diagnostics simulator and seeded fault tests from a helicopter gearbox provide test beds to demonstrate the robustness of the proposed algorithm.
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 ».