MétaCan
Menu
Retour à la cohorte
Enregistrement W4393374949 · doi:10.1115/1.4065221

A Physics-Based Model-Data-Driven Method for Spindle Health Diagnosis, Part II: Dynamic Simulation and Validation

2024· article· en· W4393374949 sur OpenAlexafffund
Chung-Yu Tai, Yusuf Altıntaş

Notice bibliographique

RevueJournal of Manufacturing Science and Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueGear and Bearing Dynamics Analysis
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésVibrationHarmonicsFault (geology)Dynamic simulationStiffnessEngineeringRotation (mathematics)Bearing (navigation)Artificial neural networkStructural engineeringComputer scienceControl theory (sociology)SimulationAcousticsPhysicsArtificial intelligenceGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Mathematical modeling of bearing faults, worn tool holder taper contact interface, and unbalance are presented and integrated into a digital dynamic model of spindles in Part I of this paper. These faults lead to changes in preload and dynamic stiffness over time, consequently resulting in observable vibrations. This paper predicts the vibrations of a spindle at a particular measurement location by simulating the presence of a specific fault or multiple faults during spindle rotation. The vibration spectra generated by the digital spindle model at the spindle speed and its harmonics, the changes in the natural frequencies, and dynamic stiffnesses are correlated to faults with experimental validations. The simulated vibration spectrums are later used in training an artificial neural network for fault condition monitoring presented in Part III of the paper.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,636
Score d'incertitude au seuil0,394

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,310
Écart entre enseignants0,282 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing Science and EngineeringMême sujetGear and Bearing Dynamics AnalysisTravaux en français237 207