Bearing fault diagnosis using normalized diagnostic feature-gram and convolutional neural network
Notice bibliographique
Résumé
Abstract Accurate fault diagnosis is vital for modern maintenance strategies to improve machinery reliability and efficiency. Automated predictive tools, such as deep learning, are gaining more attention as the need for more general and robust diagnosis algorithms is crucial. In this work, a rotational-speed-independent diagnosis algorithm based on using a novel 2D color-coded map as the input to a deep artificial neural network is proposed. The 2D map is named normalized diagnostic feature-gram (NDFgram). The proposed algorithm is applied for bearing fault diagnosis to investigate its effectiveness. For that purpose, the bearing vibration signals are processed first to obtain the bi-frequency spectral coherence (SCoh) data. Secondly, diagnostic features (DFs) are calculated at specific cyclic frequencies owing to bearing faults by integrating the obtained SCoh data over the spectral frequency domain using a center frequency and frequency range. The calculated DFs are represented by a 2D map against the center frequency and frequency resolution. The maps from different fault features are stacked together to form the diagnostic patterns. Thirdly, a pretrained convolutional neural network (CNN) is applied to learn the feature pattern and diagnose the bearing faults. The CNN is trained using fixed-speed data and then it is applied to diagnose faults in the test data recorded at the same speed. Then, it is also tested using variable-speed data and data of another ball bearing type in order to show the independency on the rotational speed and ball bearing type in practice. The results show a 100% success rate for the constant-speed tests and 98.16% accuracy for the variable-speed testing dataset. The accuracy of diagnosing the faults of the second type of ball bearing is 98.56%. The diagnosis accuracy of the proposed method is still high even when a white noise is artificially added to the signals in the noise insusceptibility test. Comparison with other approaches that use different input features to the CNN shows that the proposed is superior in terms of diagnosis accuracy.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».