Generation of high-dimensional vibration signal and its application in fault diagnosis
Notice bibliographique
Résumé
Abstract Imperfect data, such as data scarcity and imbalance, have a negative impact on intelligent fault diagnosis. Generative adversarial networks (GANs) have proven to be a potential method for augmenting data. However, the overall quality of data generated by GANs still requires improvement. In this study, a multiscale feature-fusion GAN was proposed for generating high-dimensional signals. A strategy that generates signals with dimensionality higher than the desired dimensionality was proposed. The generated signals were resampled to improve the phase diversity of the generated signals. To enhance the feature extraction capability of the GAN for high-dimensional signals, a multiscale feature extraction structure was designed. The integration of multiscale feature extraction and fusion was achieved without a significant increase in the computational burden. To enhance the amplitude diversity of the generated signals, a reconstruction network was designed that directly constrained the spatial distribution of the generated signals. Experimental results show that the model has advantages in terms of the similarity and diversity of the generated signals. The effectiveness of the model in fault diagnosis was verified using two motor datasets, where the fault diagnosis model using the sample set augmented by the proposed model obtained a 36.32% improvement in accuracy compared with using the original sample set. In addition, in comparison experiments, the model achieved a higher diagnostic accuracy improvement of 28.87% compared to four other published models.
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 | 0,001 |
| 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 ».