Improved 2-D Multiscale Fractional Dispersion Entropy: A Novel Health Condition Indicator for Fault Diagnosis of Rolling Bearings
Notice bibliographique
Résumé
The multiscale dispersion entropy (MDE), which measures the irregularity or chaos of 1-D univariate time series through a dispersion pattern, is a useful tool to extract features from bearing signals. However, the stable dynamical characteristics of bearing signals are commonly hidden in high-dimensional state spaces, which cannot be easily captured by MDE. A large number of fractional chaotic information is filtered due to the application of integer-order pattern probability, negatively impacting the characterization performance of MDE on nonlinear signals. Therefore, an improved 2-D multiscale fractional dispersion entropy (IMFDE2-D) is proposed to overcome the shortcomings of MDE. In IMFDE2-D, the proper state space is constructed to reveal the high-dimensional dynamic characteristics of bearing signals. Meanwhile, the 2-D fractional dispersion pattern is developed to scan the space structure and supplement the fractional chaotic information. Furthermore, the first point of 2-D coarse-graining process is diagonally moved to alleviate the space compression, which further improves the stabilities of entropy metrics. The Logistic and Hénon maps demonstrate that IMFDE2-D has a better capability to describe the states of complex systems compared with MDE. To establish the intelligent health condition identification scheme, a novel feature selection algorithm called iterative Davies–Bouldin index (iDBI) is further designed to refine entropy features. The experimental results demonstrate that under the condition of supervised learning, IMFDE2-D–iDBI achieves the average accuracies of 100% and 99.91%, respectively, in various bearing experiments. Furthermore, even with an unsupervised classifier, the average accuracies can still reach 95.57% and 100%, which are much higher than those of traditional indicators.
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 | 0,000 |
| 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 | 0,000 |
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 ».