A Noise Invariant Method for Bearing Fault Detection and Diagnosis Using Adapted Local Binary Pattern (ALBP) and Short-Time Fourier Transform (STFT)
Notice bibliographique
Résumé
This study proposes a new method for bearing Fault Detection and Diagnosis (FDD) in Belt Starter Generators (BSGs) using vibration signals. The Adapted Local Binary Pattern (ALBP) method is introduced, and its performance is compared to the conventional Local Binary Pattern (LBP) technique and a Convolutional Neural Network with Support Vector Machine (CNN-SVM) model. Significantly, ALBP demonstrates superior accuracy without significantly increasing computational complexity, outperforming both LBP and the CNN-SVM model. The experimental setup involves a Specialty Motor Testing system, with vibration data collected using a single accelerometer under specific speed and torque conditions. The focus is on detecting and diagnosing bearing faults, such as lubrication and contamination, under various test conditions for Original Equipment Manufacturer (OEM) and After-Market (AM) bearings. ALBP achieves diagnostic accuracy ranging from 99% to 99.8%, representing a significant advancement in bearing FDD. Another novel aspect of this study is the training and testing of the model on separate days. This approach ensures the model’s robustness against data variability and domain shifts, unlike the traditional random data splitting method, which can yield misleadingly high accuracy on a portion of data but fails to generalize. Results show that ALBP achieves an average diagnosis accuracy of 99.4%, compared to 80% for the CNN-SVM model, further highlighting the superior performance of ALBP.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».