Fault detection and diagnosis for PZT sensors with electro-mechanical impedance technique by using one-dimensional convolutional autoencoder
Notice bibliographique
Résumé
Piezoelectric lead zirconate titanate (PZT) sensors are widely used in various structural health monitoring (SHM) applications, where data acquired by the PZT sensors are used for damage detection. Any failure of the PZT sensors will have a detrimental effect in the ability of SHM systems to detect damage. Therefore, detecting faulty PZT sensor is critical to reduce any false-calls associated with malfunctioning sensor to ensure proper functionality of SHM systems. This paper proposes a self-diagnostic method to monitoring the health of PZT sensors using the electro-mechanical impedance (EMI) data in two steps. In the first detection step, the onedimensional convolutional autoencoder (1D-CAE) is employed to obtain the reconstruction error as anomaly scores from the raw EMI data. Hence, the faulty PZT sensors can be detected by comparing the anomaly score with a pre-defined threshold. In the second diagnostic step, the data feature is first extracted with the 1D-CAE. The extracted feature is then fed into a multilayer perceptron (MLP) classifier to classify the fault type of the PZT sensor. The proposed method was validated through experiments, where typical in-service induced damages such as impact, environmental effect, sensor breakage localized high temperature heating, etc. were introduced. The results demonstrate the effectiveness of the proposed method for both detection and diagnosis of various types of PZT sensor damage.
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 ».