An Enhanced Modeling Framework for Bearing Fault Simulation and Machine Learning-Based Identification With Bayesian-Optimized Hyperparameter Tuning
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
Abstract Monitoring the condition of rotating machinery offers a salient tool for predictive maintenance of rolling elements subjected to continuous working loads, wear, fatigue, and degradation. In this study, an enhanced computational tool for bearing fault simulation and feature extraction is proposed. A subsequent identification scheme is realized, through Bayesian optimization of hyperparameters, including support vector classifier (SVC), gradient boosting (GBoost), random forest (RF), extreme gradient boosting (XBoost), light gradient boosting machine (LightGBM), and categorical boosting (CatBoost). The proposed hyperparameter optimization technique stands out from traditional methods by offering a more informed and efficient pathway to optimal performance in predictive maintenance. By using Bayesian optimization for hyperparameter tuning of machine learning models, which has not been extensively explored in this field, our approach shows significant advancements. Typical instances of bearing faults like inner race, outer race, and ball faults are considered. The analysis relies on the extraction of statistical and engineering characteristics from the collected response signals, including kurtosis, root mean square, peak, and ridge factor. Highly influential variables are highlighted on the basis of feature selection and importance algorithms, allowing bearing fault classification. We demonstrate that SVC and LightGBM produce over 97% of accuracy at low computational cost. This approach constitutes a robust and scalable framework for similar applications in engineering diagnostics.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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