Fault Diagnosis Based on the Optimization of Characteristic Parameters and Neural Networks of Gearboxes
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
Gearboxes are the most commonly used transmission components in heavy equipment such as helicopters, shearers, and ships. The failure rate of gearboxes is high, and the characteristic signals under faulty conditions tend to be extremely weak and are often overwhelmed by strong noise. Thus, extracting sensitive characteristic parameters is difficult. In order to optimize the characteristic parameters of gearboxes and improve diagnosis efficiency, this study proposed a method for fault diagnosis of gearboxes that combines empirical mode decomposition (EMD) with rough sets and neural networks. First, the principle of EMD was explored. The indicators for measuring characteristic parameters were identified to compare the feature set composed of energy values with those comprising approximate entropy parameters. Second, the conditional attribute reduction technique for rough sets was investigated. An algorithm for attribute reduction based on conditional equivalence classification was put forward for parameter optimization. Then, a neural network was employed to identify the feature sets before and after the attribute reduction. Results show that the energy characteristic set is the most sensitive to failures. The attribute reduction technique reduces the characteristic parameters from 6 to 4, thereby effectively lowering the input vectors of the neural network. The training time is also decreased from 1.024 s to 0.351 s, obviously promoting the efficiency of fault diagnosis. The study provides references for improving the performance of online real-time fault diagnosis.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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