Prognosis of Bearing Degeneration Using Adaptive Quaternion Least Mean Biquadrate Under Framework of Hypercomplex Data
Notice bibliographique
Résumé
Prognostics of bearing degeneration play a crucial role in implementation of systems maintenance strategies. Although numerous classical prognostic models have been developed, these models are carried out based on channel-wise processing and therefore fail to capture the inherent nonlinear and coupling nature of multi-dimensional or multi-channel data. To address this issue, a novel prognostics method based on adaptive quaternion-valued least-mean biquadrate (AQ-LMB) algorithm is proposed for a unified processing of hypercomplex data by the virtue of quaternion algebra. The cost function of the proposed AQ-LMB algorithm is designed via the biquadrate form of system output error to adapt to the more common nonlinear and non-Gaussian data, and the update weight vector is derived through Hamilton calculus instead of traditional complex gradient calculation. First, the time series of health indicators (e.g., root-mean-square, RMS) derived from historical data are decomposed by a nonconvex sparse regularization (SR) algorithm associated with a nonconvex penalty, that is, the low frequency trend component (LFC) and high frequency noise component (HFC) are obtained. Then both LFC and HFC are respectively predicted by the AQ-LMB algorithm. The final predicted health indicators can be obtained by integrating the correspondingly predicted LFC and HFC. The separate analysis of both sub-components makes it possible to distinguish their respective contributions to the entire degeneration process, thus avoiding false deviation and improving the prediction accuracy. Finally, the effectiveness of the proposed nonconvex SR and AQ-LMB approach in improving prognostic accuracy is illustrated via three-and four-dimensional run-to-failure datasets of the rolling bearings.
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 | 0,000 |
| 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 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 ».