Machine Learning for Monitoring of the Solenoid Valves Coil Resistance Based on Optical Fiber Squeezer
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
Solenoid valves represent indispensable elements in various engineering systems. Their failure can lead to unexpected problems. This failure may be caused by fluctuations in the coil resistance of the electromagnetic solenoid (EMS) which actuates these solenoid valves. Hence the need to monitor this parameter for a preventive maintenance of these actuators. The proposed method consists to use supervised machine learning to monitor coil resistance of the EMS valve. The EMS valve is coupled to an optical fiber squeezer which, acts as a force sensor. The solenoid armature applies a mechanical force to the optical fiber and changes the polarization state of the light that travels through the optical fiber and then this force infects the power of the light. A Simulink model is used to determine the open loop system step response. The identification of the system allows obtaining its transfer function, which depends on the parameters of the EMS and in particular on its coil resistance. By varying the coil resistance while fixing the other physical parameters of the EMS, we generate a database whose elements are the coefficients of the transfer function of the solenoid open loop and the electrical resistance of its coil. The generated database is used for training several supervised machine learning models whose predictors are the elements of the transfer function; the response is the coil resistance. The Gaussian process for regression allows to predict the variations of the coil resistance with the smallest relative error although it takes a relatively long time for the training compared to the other models used.
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 | 0,000 |
| 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 découle