A Novel Fault Diagnosis Method Based on NEEEMD-RUSLP Feature Selection and BTLSTSVM
Notice bibliographique
Résumé
The vibration signal of rolling bearings is a nonlinear and non-stationary signal, which is affected by the working condition change and background noise, and the reliability of traditional feature extraction methods and fault identification methods is low. In order to effectively extract feature vectors and improve the accuracy and reliability of fault identification, we propose a new fault diagnosis method based on noise eliminated ensemble empirical mode decomposition and robust unsupervised feature selection with local preservation (NEEEMD-RUSLP) and binary tree least squares twin support vector machine (BTLSTSVM). Firstly, NEEEMD is introduced to suppress background noise and decompose the vibration signal into a series of intrinsic mode functions (IMF), and the wavelet packet energy entropy, packet energy coefficient, and Gini coefficient of each IMF are extracted to construct time-frequency domain features. Then, 16 time-domain features and 13 frequency-domain features of the original signal are extracted and combined with the time-frequency domain features of each IMF to construct a high-dimensional feature space. In order to reduce the feature dimension and improve the diagnostic accuracy of the model, the RUSLP feature selection method is introduced to select effective low-dimensional features from the high-dimensional features. In addition, the binary tree (BT) strategy is introduced into the LSTSVM binary classifier to construct the BTLSTSVM multi-classifier, which aims to improve the recognition accuracy of low-dimensional features. In the bearing fault diagnosis of Case Western Reserve University, the fault diagnosis accuracy obtained by the proposed method is improved by 10.67%. In the bearing fault diagnosis of the University of Ottawa, the fault diagnosis accuracy obtained by the proposed method is improved by 10%. In the fault diagnosis of check valve in the actual industrial production environment, the fault diagnosis accuracy obtained by the proposed method is improved by 22%. The results show that the proposed method can not only effectively extract and select the low-dimensional fault characteristics of the bearing, but also achieve competitive fault diagnosis accuracy. Therefore, this method can provide a new method reference for the field of fault diagnosis, and has great theoretical significance and application value.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».