Multivariate multiscale dispersion Lempel–Ziv complexity for fault diagnosis of machinery with multiple channels
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
Lempel–Ziv complexity (LZC), as a nonlinear feature in information science, has shown great promise in detecting correlations and capturing dynamic changes in single-channel time series. However, its application to multichannel data has been largely unexplored, while the complexity of real-world systems demands the utilization of data collected from multiple sensors or channels so as to extract distinguishable fault features for fault diagnosis. This paper proposes a novel method called multivariate multiscale dispersion Lempel–Ziv complexity (mvMDLZC) to extract the fault features hidden in multi-source information. First, multivariate embedding theory is applied to obtain multivariate embedded vectors and multivariate dispersion patterns, which can reflect the inherent relationships in the multichannel series. Second, by assigning labels to these patterns, the original multichannel time series can be transformed into a symbolic sequence with multiple symbols instead of the original binary conversion, enabling the accurate recovery of the system dynamics . Finally, the complexity counter value and normalized LZC are calculated for the complexity measure. Experimental results using synthetic and real-world datasets demonstrate that mvMDLZC outperforms existing LZC-based methods and multivariate dispersion entropy in recognizing different states of mechanical systems . Additionally, mvMDLZC exhibits robustness in handling challenges such as small sample datasets and noise interference, making it suitable for real industrial applications. These findings highlight the potential of mvMDLZC as a valuable approach for dissecting multichannel systems across various real-world scenarios.
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 | 0,001 |
| 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