Cubic spline interpolation-based refined composite multiscale dispersion entropy and its application to bearing fault identification
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
As a powerful tool, dispersion entropy (DE) has good capability to measure the irregularity and complexity of nonlinear systems, so it is extensively utilized in the field of structural health monitoring. However, traditional multiscale dispersion entropy (MDE) will suffer from down-sampling as the scale factor increases, which compresses some intrinsic feature information, so that the representation ability of MDE for nonlinear system is significantly restrained. Aiming at this problem, a new method called cubic spline interpolation-based refined composite multiscale dispersion entropy (CSIRCMDE) is proposed. In this frame, the coarse-graining series are regarded as knots to calculate the interpolative points in different sub-sections. Then, the obtained coarse-graining samples and interpolative samples are used to construct interpolation series to capture the potential vibration characteristics and constrain the down-sampling phenomenon. Finally, the first coarse-graining point is gradually shifted back to make multiple groups of interpolation series, and the entropy values are rectified by calculating mean pattern probabilities at the same scale. Through these steps, CSIRCMDE can grasp sufficient feature information to reduce entropy errors and overcome the dependence on sample size compared with traditional algorithms, which is demonstrated by simulation and noise signals. Furthermore, two types of bearing damage experiments prove that CSIRCMDE has good capability to characterize the bearing states, therefore, based on the proposed algorithm, the classification model that can fully identify different bearing faults is established.
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