Multi-source and Multi-fault Condition Monitoring Based on Parallel Factor Analysis and Sequential Probability Ratio Test
Notice bibliographique
Résumé
Abstract The monitoring of mechanical equipment systems contains an increasing number of complex content, expanding from traditional time and frequency information to three-dimensional data of the time, space and frequency information, and even higher-dimensional data containing subjects , experimental conditions. For high-dimensional data analysis, traditional decomposition methods such as Hilbert Transform, Fast Fourier Transformation and Gabor transformation not only lose the integrity of the data, but also increase the amount of calculation and introduce a lot of redundant information. The phenomenon of feature coupling, aliasing and redundancy between the mechanical multi-source data signals will cause the inaccuracy of the evaluation, diagnosis and prediction of industrial production operation status. The analysis of the three-way tensor composed of channel, frequency and time is called Parallel Factor Analysis (PARAFAC). The properties between the parallel factor analysis results and the input signals are studied through simulation experiments. Parallel factor analysis is used to decompose the third-order tensor composed of channel-time-frequency after continuous wavelet transformation of vibration signal into channel, time and frequency characteristics. Multi-scale parallel factor analysis successfully extracted nonlinear multi-dimensional dynamic fault characteristics by generating the spatial, spectral, time-domain signal loading value and three-dimensional fault characteristic expression. In order to verify the effectiveness of the space, frequency and time domain signal loading values of the fault characteristic factors generated by the centrifugal pump system after parallel factor analysis, the characteristic factors obtained after parallel factor analysis are used as the SPRT test sequence for identification and verification. The results indicate that the method proposed in this article improves the measurement accuracy and intelligence of mechanical fault detection.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».