Algorithm for Multiple Time-Frequency Curve Extraction From Time-Frequency Representation of Vibration Signals for Bearing Fault Diagnosis Under Time-Varying Speed Conditions
Notice bibliographique
Résumé
Bearing fault diagnosis under constant operational condition has been widely investigated. Monitoring the bearing vibration signal in the frequency domain is an effective approach to diagnose a bearing fault since each fault type has a specific Fault Characteristic Frequency (FCF). However, in real applications, bearings are often running under time-varying speed conditions which makes the signal non-stationary and the FCF time-varying. Order tracking is a commonly used method to resample the non-stationary signal to a stationary signal. However, the accuracy of order tracking is affected by many factors such as the precision of the measured shaft rotating speed and the interpolation methods used. Therefore, resampling-free methods are of interest for bearing fault diagnosis under time-varying speed conditions. With the development of Time-Frequency Representation (TFR) techniques, such as the Short-Time Fourier Transform (STFT) and wavelet transform, bearing fault characteristics can be shown in the time-frequency domain. However, for bearing fault diagnosis, instantaneous time-frequency characteristics, i.e. Time-Frequency (T-F) curves, have to be extracted from the TFR. In this paper, an algorithm for multiple T-F curve extraction is proposed based on a path-optimization approach to extract T-F curves from the TFR of the bearing vibration signal. The bearing fault can be diagnosed by matching the curves to the Instantaneous Fault Characteristic Frequency (IFCF) and its harmonics. The effectiveness of the proposed algorithm is validated by experimental data collected from a faulty bearing with an outer race fault and a faulty bearing with an inner race fault, respectively.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».