Refined Composite Multiscale Fuzzy Dispersion Entropy and Its Applications to Bearing Fault Diagnosis
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
Rotary machines often exhibit nonlinear behavior due to factors such as nonlinear stiffness, damping, friction, coupling effects, and defects. Consequently, their vibration signals display nonlinear characteristics. Entropy techniques prove to be effective in detecting these nonlinear dynamic characteristics. Recently, an approach called fuzzy dispersion entropy (DE-FDE) was introduced to quantify the uncertainty of time series. FDE, rooted in dispersion patterns and fuzzy set theory, addresses the sensitivity of DE to its parameters. However, FDE does not adequately account for the presence of multiple time scales inherent in signals. To address this limitation, the concept of multiscale fuzzy dispersion entropy (MFDE) was developed to capture the dynamical variability of time series across various scales of complexity. Compared to multiscale DE (MDE), MFDE exhibits reduced sensitivity to noise and higher stability. In order to enhance the stability of MFDE, we propose a refined composite MFDE (RCMFDE). In comparison with MFDE, MDE, and RCMDE, RCMFDE's performance is assessed using synthetic signals and three real bearing datasets. The results consistently demonstrate the superiority of RCMFDE in detecting various patterns within synthetic and real bearing fault data. Importantly, classifiers built upon RCMFDE achieve notably high accuracy values for bearing fault diagnosis applications, outperforming classifiers based on refined composite multiscale dispersion and sample entropy methods.
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 | 0,000 | 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 | 0,001 |
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