Method to Detect and Isolate Brake Rotor Thickness Variation and Corrosion
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
Brake rotors are essential parts of the disc brake systems. Brake rotor thickness variation (RTV) and corrosion are among top failure modes for brake rotors, which may lead to brake judder and pulsation, steering wheel oscillations and chassis vibration. To improve customer satisfaction, vehicle serviceability and availability, it is necessary to develop an onboard fault detection and isolation solution. This study presents a methodology to monitor the state-of-health of brake rotor system to reduce costs associated with scheduled inspection for autonomous fleet or corrective maintenance. We converted the vehicle signals from time-domain to angle-domain and determined health indicators to estimate the RTV level of the rotors. Variance, envelope and order analysis of the brake circuit pressure, longitudinal acceleration and wheel speed sensor signals in angle-domain were promising health indicators to differentiate healthy and faulty rotors. A classification model was developed to fuse the health indicators and estimate the state-of-health of the rotors to report the most degraded rotor with corner isolation. Results showed that using this concept we were able to detect failure levels of 20 microns and larger and meet the customer requirement. Robustness analysis showed that the concept is robust to the noise factors of tire type, tire pressure and vehicle weight. The sensitivity analysis showed that the algorithm is sensitive to two of the calibration parameters (i.e., brake pedal position gradient (BPPG) threshold and the filter order used to derive BPPG) used to determine the brake event and enable the algorithm.
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 | 0,001 | 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) | 0,000 | 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