Mean Shift Clustering-Based Analysis of Nonstationary Vibration Signals for Machinery Diagnostics
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 analysis is a powerful tool for condition monitoring of rotating machinery. In the nonstationary case, this analysis often involves denoising and extraction of the time-varying harmonic components buried within the vibration signal. However, the complexity of many contemporary techniques—especially in relation to nonstationary signals—and their dependence on prior knowledge of the system kinematics in order to be effective is an inhibitor to autonomous fault detection and monitoring of nonstationary systems. In this article, a nonparametric, blind spectral preprocessing approach to simultaneously denoise and extract the harmonic content from nonstationary vibration signals is presented. The proposed approach utilizes mean shift clustering in conjunction with the short-time Fourier transform to separate time-varying harmonics from background noise within the frequency spectrum, without the need for a priori knowledge of the system. The technique is fully invertible, allowing the time signals corresponding to the separated time-varying harmonic and residual components to be reconstructed. The performance of the proposed technique is compared against existing preprocessing methods and validated using several industrial data sets: first, using vibration data obtained from a low-speed, nonstationary industrial automated people mover gearbox, next, using vibration data from an aircraft engine containing outer race faults, and finally, using nonstationary vibration data from a wind turbine containing frequent speed fluctuations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
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