Automatic instantaneous frequency order (IFO) extraction via integration strategy and multi-demodulation for bearing fault diagnosis under variable speed operation
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
Bearing fault diagnosis under variable speed often faces two obstacles: a) blurry time frequency representation (TFR) and thus ambiguous and even unattainable instantaneous frequency (IF) for resampling, and b) complicated and error-prone resampling processes. To address such problems, this paper proposes a new tacholess and resampling-free method for bearing fault diagnosis under variable speed conditions. This method consists of two main steps: a) extract an accurate IF from the vibration data following a dual pre-IF integration strategy and a regional peak search algorithm to search the frequency bins point by point at local frequency regions, and b) with the accurate IF estimator (either shaft IF, instantaneous fault characteristic frequency (IFCF) or their harmonics), multi-demodulate the signal and superpose the resulting frequency spectra of all demodulated signal components using an order peak highlighting method. Then, the instantaneous frequency order (IFO) of signal components of interest contained in the original signal can be highlighted and the IFO spectra can be obtained for bearing fault diagnosis under variable speed conditions. In this manner, the bearing fault can be diagnosed without tachometer devices and resampling procedure. Therefore, the proposed method can substantially reduce human involvement and facilitate its implementation in a fault detection expert system. The effectiveness of the proposed method is validated using both simulated and experimental data.
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 | 0,001 |
| 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