Multiple time-frequency curve extraction Matlab code and its application to automatic bearing fault diagnosis under time-varying speed conditions
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
Vibration signal analysis is an important technique for bearing fault diagnosis. For bearings operating under constant rotational speed, faults can be diagnosed in the frequency domain since each type of fault has a specific Fault Characteristic Frequency (FCF), which is proportional to the shaft rotational speed. However, bearings often operate under time-varying speed conditions. Additionally, the measurement of the time-varying rotational speed requires instruments, such as tachometers, which leads to extra cost and installation. With the development of time-frequency analysis, the time-varying FCFs manifest as curves in the Time-Frequency Representation (TFR). It has been shown that extracting multiple time-frequency curves from the TFR and then identifying the Instantaneous Fault Characteristic Frequency (IFCF) and Instantaneous Shaft Rotational Frequency (ISRF), bearing faults can be automatically diagnosed under time-varying speed conditions without using tachometers. However, the existing method used to identify the IFCF and the ISRF may lead to inaccurate results. In this study, the complete MATLAB© codes and a more reliable approach to use Multiple Time-Frequency Curve Extraction (MTFCE) for automatic bearing fault diagnosis under time-varying speed conditions are presented.•A Multiple time-frequency curve extraction (MTFCE) Matlab code is presented to extract multiple curves from the TFR.•Custom Matlab code for automatic bearing fault diagnosis under time-varying speed conditions without using tachometer data via the MTFCE is given and explained.•A new parameter, the allowable variance of the curve-to-curve ratio, is proposed to identify the IFCF and ISRF more reliably.
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 | 0,001 |
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 découle