An Information Fusion Based Incipient Fault Diagnosis Method for Railway Vehicle Door System
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
The safety and reliability of the railway vehicle door system are critical to ensure passengers’ safety and transportation efficiency. Fault diagnosis is essential for such a purpose. However, due to various uncertainties in the models and measurements, as well as the existence of incipient faults, traditional fault diagnosis methods often suffer from high false alarms. In this study, an incipient fault diagnosis method is developed using an information fusion strategy, which can greatly reduce false alarms and hence improve the reliability and accuracy of fault diagnosis results. The proposed fault diagnosis method is a data-driven approach, where current, rotational speed, rotational angle/distance signals collected from the driven motor and vibration signals collected from the supporting elements and door leaves are used for fault diagnosis. Initially, features are extracted from the signals to train two classifiers. Subsequently, these classifiers generate probabilities for different fault types. Then fault diagnosis model is developed using an information fusion strategy where evidence belief divergence and fuzzy preference relationship are employed to handle conflicts between different evidence. The principal contributions center on the elimination of information uncertainties within the railway door system, enabling precise diagnosis of incipient faults. To validate the methodology, verifications are conducted on a vehicle door test bench. Comparative experiments are also conducted to demonstrate the superiorities of the proposed method in comparison to approaches that do not incorporate information fusion or address information conflicts. The experimental results show that the proposed method significantly enhances diagnosis accuracy by at least 10%.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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