A novel complex network community clustering method for fault diagnosis
Notice bibliographique
Résumé
Abstract The complex network, as a method for the analysis of nonlinear and non-stationary signals, overcomes the shortcomings of traditional time-frequency analysis methods and proves its effectiveness in mechanical fault diagnosis. Community clustering, a type of complex network, has made great progress in recent years. However, the existing community clustering algorithms have disadvantages in that they lack significant global extreme value and huge search spaces. Therefore, a Fast Newman algorithm based on reliability judgment is proposed. Starting from the community structure characteristics of the complex network, with the fault sample as a network node, the relationship between the samples as a connected edge and a complex network model of fault data is established. Clusters in troubleshooting are transformed into community structure discovery in the network. Firstly, the initial division of the community is obtained by measuring the distance between the samples. Then, the modularity index of the network is used as a standard function of the community division, and the bottom-up community merger is performed. The local edge density index is used for reliability determination before each combination to achieve global optimization, and the network block structure is the most obvious. Finally, with all the data merged into one community, the optimal division of the community structure is obtained, while accurate community clustering and fault diagnosis is realized. The benchmark graphs for testing community detection (Lancichinetti–Fortunato–Radicchi benchmark standard test network, LFR) and different fault data of rolling bearings under multiple operating conditions are applied to verify the effectiveness of this method; the results prove that the modified Fast Newman algorithm has better clustering effects and a higher accuracy rate than the original algorithm. Compared with K-means clustering and fuzzy clustering, the modified Fast Newman algorithm achieves higher performance in fault diagnosis of rolling bearings under multiple operating conditions.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».