Design of a Data Fusion and Deep Transfer Learning Test Rig for Roller Bearings Diagnosis and Prognosis
Notice bibliographique
Résumé
Abstract Although they are crucial parts of heavy machinery, bearings are also prone to failure; between 50 and 60 percent of rotating machinery failures are caused by bearings. Data is gathered for the diagnosis and prognosis of bearing faults to help remedy this. Diagnosis relates to identifying a fault situation using recognized symptoms, whereas prognosis focuses on forecasting how the fault will turn out. To determine the states of machines, machine learning techniques are utilized. Deep learning is a branch of machine learning that focuses on training neural networks with several layers. Traditional (shallow) learning, which uses pre-defined features in data to identify machine conditions, and deep learning, which employs complex data types, are two methods of machine learning. In recent years, data fusion and transfer learning have become interesting and important subfields of deep learning. Transfer learning uses previously trained models as a starting point for new tasks by applying learned knowledge from the previous task on the related new task, whereas data fusion mixes many data types to improve comprehension. In this study, the need for large quantities of data fusion and transfer learning data is used to design a test rig for roller bearing fault identification and prognosis. Historically, academic researchers have concentrated on using the data they have gathered with their test rigs to undertake data analysis, rather than concentrating on the design of the test rig itself. Yet, there is a need for a test rig design that appropriately gathers clean multi-sensor data from a variety of bearing sizes to enhance deep machine learning algorithm research for bearing health diagnosis and prognosis via transfer learning. By offering useful methods that can be utilized to perform machine health diagnosis and prognosis on bearings, this work aims to close the gap between the needs of industry and the research community. This can aid in the early detection of faults, offer time frames for repair or replacement, and prevent catastrophic failures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».