Self-Matching Chirplet Extraction Transform: A Novel Tool for Dense Multicomponent Signals Analysis and Machinery Fault Diagnosis
Notice bibliographique
Résumé
This study introduces a novel time–frequency (TF) analysis methodology, designated as the self-matching chirplet extraction transform (SMCET). This innovative technique is specifically crafted for the analysis of nonstationary signals characterized by dense multicomponents, aimed at achieving an accurate TF representation (TFR). SMCET extends chirplet transform (CT) by employing parameterized phase kernels with higher order expansions, which accurately fits the instantaneous frequencies (IFs) of nonlinear variations, thereby achieving precise matching between chirprate and varying frequency. This technique effectively resolves the issue of TF resolution ambiguity, a challenge encountered by CT-improved algorithms, when processing dense components. The optimization strategy for self-matching parameter significantly enhances both precision of matching and computational efficiency by narrowing the traversal range of chirprate angle. By combining IF estimate with the matching extraction operator (MEO), a higher quality TFR can be obtained, even in the case of noise interference. The efficacy of SMCET is convincingly demonstrated via numerical and experimental analyses, focusing on vibration signals of bearing and planetary gearbox. The analytical outcomes reveal that SMCET exhibits superior capabilities in characterizing nonlinear multicomponent signals, including those with dense components. This underlines its significant potential for accurate fault diagnosis on rotary machinery.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».