A Hybrid Fault Diagnosis Method Using Translation Invariant Wavelet Denoising, Hierarchical Entropy, and Support Vector Machine with PSO Algorithm
Notice bibliographique
Résumé
The rolling element bearing is used in various machinery and produces vibration due to imperfections, surface irregularities during manufacture, damaged bearings, and inaccuracies in the allied element. Also, the rolling element bearing vibration generally shows non-linear dynamic characteristics and is masked with heavy background noise. This noble investigation advances a hybrid technique for removing background noise from the vibration signal and detecting bearing defects. Translation invariant wavelet denoising is the initial stage in this hybrid method for noise removal from the signal. The second phase uses Hierarchical Entropy (HE) for defect feature frequency extraction. Hierarchical entropy at scale four and SampEns of eight hierarchical decomposition nodes was utilized to determine the defect feature vector. In particular, low-frequency components are investigated through multi-scale entropy (MSE), but hierarchical entropy (HE) incorporates low-frequency and high-frequency components and can extract more defective information. Implemented a multi-class support vector machine (SVM) for extracting Hierarchical entropy as feature vectors. These feature vectors are trained by utilizing particle swarm optimization (PSO). To accomplish a prediction model, examine the optimal SVM parameters and then various bearing conditions with the variation of type, size, speed, and load severity identified by SVM. The investigation results show that hierarchical entropy can adequately and more precisely express the features of bearing vibration signals. It is beyond MSE, and the proposed Nobel hybrid Translation invariant wavelet denoising and Hierarchical entropy-based method will effectively remove the noisy background signal. Also, it distinguishes different bearings successfully, indicates the bearing conditions correctly, and is more prominent than those found on MSE.
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 | 0,001 | 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) | 0,002 | 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 ».