A Coarse TF Ridge-Guided Multi-Band Feature Extraction Method for Bearing Fault Diagnosis Under Varying Speed Conditions
Notice bibliographique
Résumé
Currently, most of the vibration signal analysis methods for bearing fault diagnosis under varying speed conditions are based on the resampling technology with shaft rotational frequency (SRF). However, the SRF obtained by a fixed tachometer or time-frequency (TF) ridge detection reduces measuring flexibility or introduces errors inevitably. In this paper, a multi-band feature extraction method using coarse TF ridge-guided variational nonlinear chirp mode decomposition (VNCMD) is proposed for bearing fault diagnosis under varying speed conditions. Specifically, the proposed method is conducted as follows. First, the low-frequency component (LFC) and resonance component are extracted by the low-pass filtering and the fast kurtogram method, respectively, to alleviate the noise interference. Second, the coarse TF ridges are identified by a tractable ridge estimation method that is based on the TF representation for preliminary selection of the initial instantaneous frequency. Third, the coarse TF ridge-guided VNCMD is constructed to track the SRF and instantaneous fault characteristic frequency (IFCF) from the envelope signals of the LFC and the resonance component, respectively. Finally, the characteristic frequency ratio is computed on the basis of the values of SRF and IFCF to determine the fault type of ball bearing without resampling. The simulation studies and experimental verifications confirm that the proposed method can accurately locate bearing defect types and outperforms some existing methods.
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 | 0,001 |
| 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 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 ».