A Parameter-Free Vibration Analysis Solution for Legacy Manufacturing Machines’ Operation Tracking
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
Despite the fact that the revolution of Industry 4.0 has started almost a decade ago, there are still many yesteryear's manufacturing machines that are still currently in operation in many small and medium enterprises (SME) factories. These legacy manufacturing machines are built without computing power and Internet connectivity. Therefore, the process of gathering operational information of such systems is often done manually. This article aims to automatically track these machines' operation status via the vibration produced by these machines, by using a retrofit Internet-of-Things (IoT) approach that attaches wireless vibration sensors onto legacy manufacturing machines to capture the vibration of the machines. One of the challenges of the proposed retrofit approach is to interpret the meaning of the vibration without any prior knowledge of the machine's vibration and also without the privilege to interrupt the manufacturing process to produce data sets with labels. Although there are many existing works that capture and analyze vibration, they very often only focus on fault diagnosis and prognosis. Also, many of these vibration analysis techniques are not parameter free; i.e., parameters need to be fine-tuned according to the data. The contribution of this article is the proposal of a parameter-free vibration analysis technique to cluster and classify the type of vibrations produced by a machine. Experiments, which were carried out in a limestone processing factory on real industrial machineries, show that the proposed technique is able to track the operation status of a 3-speed industrial exhaust fan with an average accuracy of 98.6% (worst case 95.5%) and standard uncertainty of 1.06%.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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