Explainable 1DCNN with demodulated frequency features method for fault diagnosis of rolling bearing under time-varying speed conditions
Notice bibliographique
Résumé
Abstract Intelligent fault diagnosis of rolling bearings under non-stationary and time-varying speed conditions is still a challenging task. At the same time, a reasonable explanation for an intelligent diagnosis model based on features is currently lacking. Therefore, we exploit an explainable one-dimensional convolutional neural network (1DCNN) model by combining with the demodulated frequency features of vibration signals and apply it to the fault classification of rolling bearings under time-varying speed conditions. First, the speed signals obtained by the speed encoder were transformed into generalized demodulation operator (GDO). Second, combined with the sensitive frequency band and GDO, the generalized demodulation algorithm was used to extract the frequency features from the amplitude envelope of the vibration signal. Subsequently, the proposed lightweight 1DCNN was trained to classify the frequency features and identify the health states of the rolling bearing. Finally, the local interpretable model-agnostic explanations model was utilized to explain the proposed model based on the features which own weight. It is found that the internal classification mechanism of the lightweight 1DCNN is realized according to the distribution of fault features, which is consistent with the process of human brain analysis. Two kinds of time-varying speed datasets which come from the University of Ottawa and XJTU are tested and verified. The results show that compared with other intelligent fault diagnosis methods, the identification error of the proposed method is lower and the diagnosis stability is better. The average diagnostic accuracy was 96.26% and 99.82%, respectively.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».