An Optimization Tendency Guiding Mode Decomposition Method for Bearing Fault Detection Under Varying Speed Conditions
Notice bibliographique
Résumé
Tacholess order tracking techniques based on time-frequency (TF) ridge detection have been extensively used in bearing fault diagnosis under varying speed conditions for decades. However, the signal components of a fault bearing related to shaft rotational frequency (SRF) is difficult to be accurately extracted by these methods because of TF resolution limitation and strong noise interference. A new TF decomposing algorithm, that is, variational nonlinear chirp mode decomposition (VNCMD) is effective to extract the time-varying feature under limited TF resolution. However, its performance is influenced by prior knowledge of initial parameters. Besides, ridge information hidden in noise is difficult to be mined effectively, which increases the difficulty of ridge extraction. In this study, a feature isolation technology is proposed to enhance fault-related features and reduce the interference of noise and irrelevant components. Then inspired by the decomposing properties research on the convergence characteristics of VNCMD, an optimization tendency guiding mode decomposition (OTGMD) method is proposed to track the instantaneous frequency (IF) of fault-related mode, which can alleviate the personnel experience requirement and is not affected by the set of TF resolution. The proposed method mainly consists of three steps. First, SRF-related information is highlighted through low-pass filtering, and the dominant IF is achieved through ridge detection method. Subsequently, for the convenience of mode extraction, the fault characteristic is augmented through iterative envelope analysis. Then, the OTGMD optimization strategy is developed to gradually decompose the target mode on the basis of the above process. Finally, a stopping criterion based on characteristic frequency ratios (CFRs) is constructed to adaptively terminate the iteration process. Simulation and experiments demonstrate that the proposed method is effective and suitable for bearing fault diagnosis under varying speed conditions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».