Rolling bearing fault diagnosis based on DRS frequency spectrum image and improved DQN
Notice bibliographique
Résumé
Deep learning may encounter challenges in fault diagnosis, such as exploration capability, long-term planning, and handling non-deterministic factors. The paper introduces a novel fault diagnosis method for rolling bearings combining deep Q-network (DQN) with discrete random separation (DRS) frequency spectrum images. DRS can be used to separate the deterministic components and random components of the fault signal and extract the fault feature very effectively. The improved DQN incorporates the atrous spatial pyramid pooling module for multiscale contextual fault feature extraction, enhancing diagnosis accuracy. Various deep networks, including convolutional neural network, ResNet18, traditional DQN, and the improved DQN, are employed with different frequency spectrum images (power spectral density, cepstrum, and DRS) for diagnosing bearing faults. Simulation results demonstrate that combining DRS frequency spectrum images with the improved DQN enhances fault diagnosis accuracy across diverse conditions. Generalization tests reveal strong capability of the proposed method in handling conditions different from the training data. Validation tests on difficult-to-diagnose fault data from the CWRU-bearing dataset demonstrate commendable performance of the improved DQN, even on difficult datasets. Finally, validation tests using the XJTU–SY bearing dataset reaffirm the excellent performance and robust adaptability of the improved DQN in conjunction with DRS frequency spectrum images.
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 | 0,001 |
| 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 ».