Rotating machinery fault diagnosis using dimension expansion and AntisymNet lightweight convolutional neural network
Notice bibliographique
Résumé
Abstract Deep learning-based methods have made remarkable progress in the field of fault diagnosis for rotating machinery. However, convolutional neural networks are not suitable for industrial applications due to their large model size and high computational complexity. To address this limitation, this paper proposes the Antisym module and constructs AntisymNet, which is combined with dimension expansion algorithms for fault diagnosis of rotating machinery. To begin with, the original vibration signal of the rolling machinery is subjected to time-frequency transformations using the discrete Fourier transform and discrete wavelet transform. Subsequently, each transformed time-frequency signal is expanded in dimensions, resulting in two-dimensional matrix single channel images. These single channel images are then fused into RGB images to enhance the sample features. Finally, the proposed AntisymNet is utilized for recognizing and classifying the expanded signals. To evaluate the performance of AntisymNet, the MiniImageNet image dataset is employed as a benchmark, and a comparison is made with other state-of-the-art lightweight convolutional neural networks. Additionally, the effectiveness of the proposed fault diagnosis model is validated using the CWRU bearing dataset, Ottawa bearing dataset, and the hob dataset. The model achieves an impressive accuracy rate of 99.70% in the CWRU dataset, 99.26% in the Ottawa dataset, and an error rate of only 0.66% in the hob dataset. These results demonstrate the strong performance of the proposed fault diagnosis model.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».