An Integrated Prognostics Method for Failure Time Prediction of Gears Subject to the Surface Wear Failure Mode
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surface wear is one of the main failure modes that gears suffer from due to the sliding contact in the mesh process. However, the existing gear prognostics methods mainly focused on the fatigue cracking failure mode and the existing prediction methods considering surface wear are physics based without utilizing condition monitoring data. This paper proposes the first integrated prognostics method for failure time prediction of gears subject to the surface wear failure mode, utilizing both physical models, i.e., Archard's wear model and condition monitoring data, i.e., inspection data on gear mass loss in this study. By noticing the importance of the wear coefficient in Archard's model, the proposed method can result in a more accurate value of the wear coefficient so that the wear evolution in the future is forecasted with more accuracy. To achieve this, a Bayesian update process is implemented to incorporate the mass loss observation at an inspection point to determine the posterior distribution of the wear coefficient. With more mass loss data available, this posterior distribution gets narrower and its mean approaches the actual value of the coefficient. To use Archard' model, the gear mesh geometry and Hertz contact theory are applied to compute the sliding distance and the contact pressure for different points on the tooth flank. The proposed method is validated using run-to-failure experiments with a planetary gearbox test rig.
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.
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 | 0,001 | 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 découle