Identification of time-frequency maps of bearing faults based on hyperparameter optimization SSA-GoogleNet
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
In order to solve the problem of poor noise immunity of neural network in bearing fault detection and to meet the high demand for adaptive extraction ability of network features in the industrial field, this paper proposes a hyper-parameter optimization method to eliminate the error of human-set parameters. Aiming at the non-smoothness and non-linear characteristics of the bearing fault signal, the two-dimensional wavelet transform (2DWT) is used to extract the feature values of the vibration signal of the bearing fault, and it is proposed to use the CNN convolutional neural network (CNN) to train the fault model. Convolutional Neural Network (CNN) is proposed to be used for fault model training. Firstly, the 2D wavelet transform is applied to the bearing vibration signal to extract the time-frequency map of the vibration signal; secondly, the extracted time-frequency map is used as the training object of the convolutional neural network to train the model, and then multiple convolutional neural network frameworks are used for noise immunity test by adding Gaussian white noise to the original signal to construct the test framework, and then the framework with the best noise immunity is used as the base network; and then the CNN is used as the base network. Sparrow Search Algorithm (SSA), Grey Wolf Optimizer (GWO), and Whale Optimization Algorithm (GWO) to find the best parameters. Validated by the public dataset of Western Reserve University, the method can effectively improve the fault identification accuracy of the model and can get rid of the problem of poor network robustness.
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 | 0,000 |
| 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 découle