Detection of Rolling-Element Bearing Faults in Non-stationary Quasi-Parallel Machinery Using Residual Analysis Augmented by Neural Networks
Notice bibliographique
Résumé
This work proposes a methodology for the detection of rolling-element bearing faults in quasi-parallel machinery. In the context of this work, parallel machinery is considered to be any group of identical components of a mechanical system that are linked to operate on the same duty cycle. Quasi-parallel machinery can further be defined as two components not identical mechanically, but their operating conditions are correlated and they operate in the same environmental conditions. Furthermore, a new fault detection architecture is proposed wherein a feed-forward neural network (FFNN) is utilized to identify the relationship between signals. The proposed technique is based on the analysis of a calculated residual between feature vectors from two separate components. This technique is designed to reduce the effects of changes in the machines operating state on the condition monitoring system. When a fault detection system is monitoring multiple components in a larger system that are mechanically linked, signals and information that can be gleaned from the system can be used to reduce influences from factors that are not related to condition. The FFNN is used to identify the relationship between the feature vectors from two quasi-parallel components and eliminate the difference when no fault is present. The proposed method is tested on vibration data from two gearboxes that are connected in series. The gearboxes contain bearings operating at different speeds and gear mesh frequencies. In these conditions, a variety of rolling-element bearing faults are detected. The results indicate that improvement in fault detection accuracy can be achieved by using the additional information available from the quasi-parallel machine. The proposed method is directly compared to a typical AANN novelty detection scheme.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».