Improved ensemble local mean decomposition based on cubic trigonometric cardinal spline interpolation and its application for rotating machinery fault diagnosis
Notice bibliographique
Résumé
Ensemble local mean decomposition has been gradually introduced into mechanical vibration signal processing due to its excellent performance in electroencephalogram signal analysis. However, an unsatisfactory problem is that ensemble local mean decomposition cannot effectively process vibration signals of complex mechanical system due to the constraints of moving average. The process of moving average is time-consuming and inaccurate in complex signal analysis. Therefore, an improved ensemble local mean decomposition method called C-ELMD with modified envelope algorithm based on cubic trigonometric cardinal spline interpolation is proposed in this article. First, the shortcomings in sifting process of ensemble local mean decomposition is discussed and, furthermore, advantages and disadvantages of the common interpolation methods adopted to improve ensemble local mean decomposition are compared. Then, cubic trigonometric cardinal spline interpolation is employed to construct the local mean and envelope curves in a more precise way. In addition, the influence of shape-controlling parameter on envelope estimation accuracy in cubic trigonometric cardinal spline interpolation is also discussed in detail to select an optimal shape-controlling parameter. The effectiveness of cubic trigonometric cardinal spline interpolation for improving the accuracy of ensemble local mean decomposition is demonstrated using a synthetic signal. Finally, the proposed cubic trigonometric cardinal spline interpolation is tested to be effective in gear and bearing fault detection and 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.
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 ».