An AVMD-DBN-ELM Model for Bearing Fault Diagnosis
Notice bibliographique
Résumé
Rotating machinery often works under complex and variable working conditions; the vibration signals that are widely used for the health monitoring of rotating machinery show extremely complicated dynamic frequency characteristics. It is unlikely that a few certain frequency components are used as the representative fault signatures for all working conditions. Aiming at a general solution, this paper proposes an intelligent bearing fault diagnosis method that integrates adaptive variational mode decomposition (AVMD), mode sorting based deep belief network (DBN) and extreme learning machine (ELM). It can adaptively decompose non-stationery vibration signals into temporary frequency components and sort out a set of effective frequency components for online fault diagnosis. For online implementation, a similarity matching method is proposed, which can match the online-obtained frequency-domain fault signatures with the historical fault signatures, and the parameters of AVMD-DBN-ELM model are set to be the same as the most similar case. The proposed method can decompose vibration signals into different modes adaptively and retain effective modes, and it can learn from the idea of an attention mechanism and fuse the results according to the weight of MIV. It also can improve the timeliness of the fault diagnosis. For comprehensive verification of the proposed method, the bearing dataset from the University of Ottawa is used, and some recent methods are repeated for comparative analysis. The results can prove that our proposed method has higher reliability, higher accuracy and higher efficiency.
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 | 0,000 | 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 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 ».