Feature Extraction Based on Adaptive Multiwavelets and LTSA for Rotating Machinery Fault Diagnosis
Notice bibliographique
Résumé
Feature extraction is a key procedure in the fault diagnosis of rotating machinery. To obtain fault features with lower dimensionality and higher sensitivity, a feature extraction method based on adaptive multiwavelets transform (AMWT) and local tangent space alignment (LTSA) is proposed in this paper. AMWT is first used to obtain multiple features from the vibration signals of the machine under test to form a high‐dimensional feature set. Then, in order to avoid the adverse effect of the irrelevant features in this high‐dimensional feature set on the fault diagnosis result, a detection index (DI) is investigated to evaluate the sensitivity of the features and those with lower sensitivity are removed. After that, LTSA is applied for feature fusion to reduce the redundant features in the high‐dimensional feature set. To validate the proposed method, performance of four feature extraction schemes based on (i) wavelet and LTSA, (ii) Geronimo, Hardin, and Massopust (GHM) multiwavelets and LTSA, (iii) AMWT and principal component analysis (PCA), and (iv) AMWT and multidimensional scaling (MDS) is compared with the proposed method. The feature extraction results by these methods are then fed into K‐medoids classifier to discriminate the faults. The results show that the proposed method can improve the sensitivity of the extracted features and obtain higher fault recognition rate.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».