Performance Assessment of Gear Condition Indicators in Detecting Progressive Gear Tooth Crack
Notice bibliographique
Résumé
Gear condition indicators are one of the most important gear transmission fault detection and diagnosis techniques. Various kinds of condition indicators for different kinds of gear fault types (e.g. tooth crack, wear, eccentricity, etc.) have been proposed in the past several decades. However, their relative effectiveness, especially in light of some newly proposed indicators, on gear fault detection or diagnosis has not been fully evaluated. Performance assessment of gear fault condition indicators is not only helpful in designing new advanced indicators but also important for the development of a reliable Condition Based Maintenance (CBM) system. The objective of this paper is to verify and compare the relative performances of twenty-one selected gear condition indicators as applied to a progressive gear tooth crack under constant load and speed working conditions. The main goals are to identify which indicators are sensitive to the fault or have the capability to detect the initial tooth crack and therefore to recommend the most effective gear condition indicators. Dynamic simulations were used to generate the vibration signals which reflect the real underlying vibration behavior of the transmission system. Based on the simulated results, the performances of the selected indicators under noise-free as well as various signal to noise ratio conditions were evaluated and compared. Results indicate that many of the selected indicators are effective for the detection of the progressive tooth crack only under noise-free conditions, and the indicators that only consider time or frequency domain features, such as RMS, Kurtosis, energy ratio, sideband index, are generally less able to detect a tooth crack at an early stage compared to the methods based on reconstructed signals, such as the NA4, FM4, M6A, M8A.
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 ».