Noise Factor Analysis for Health Monitoring, with Application to Brake Rotors
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
The goal of this paper was to identify strategies that can be employed to improve the robustness of a health monitoring system. Strategies used included: Selective signal manipulation which is based on a strategy to apply unique pre-processing and post-processing manipulation techniques to improve the robustness of a health indicator (HI). Selective signal blocking which is taking advantage of setting enabling conditions for the algorithm so that signals and the associated noise effects are ignored when the performance of the algorithm is poor. Selective signal and HI amplification which is defined as when the system is reconfigured to amplify the signal factor without significantly amplifying the noise effect. An example of such strategy is by applying Time Synchronous Averaging (TSA) to attenuate high-frequency components of a signal with a suspected periodic component. Selective HI construction is based on the idea that different sources of signal for development of a prognostics algorithm will lead to different performances and if higher performing HIs in terms of robustness are designed and selected, then the overall performance of the algorithm will be improved. Selective signal shaping which is based on the strategy to modify, normalize or change the shape of the input signals to capture some of the relationships between various input signals to the algorithm and improve the robustness and reduce the noise effect. Reduce noise effects at the source by applying appropriate filters. Generate independent decisions and take an average response and mature the decision. Robust parameter design by optimizing the control parameters that impact the performance of the algorithm which can be tweaked and selected by the designer.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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