ICPHM’23 Benchmark Vibration Dataset Applicable in Machine Learning for Systems’ Health Monitoring
Notice bibliographique
Résumé
Vibration signal analysis is an effective tool for fault diagnosis in industrial/manufacturing machinery. Gearboxes are a fundamental component of many industrial machines, and their failure can cause significant downtime, production losses, and safety hazards. Analyzing vibration signals makes it possible to detect, classify, and diagnose faults in gearboxes, enabling timely maintenance and preventing catastrophic failures. Vibration signals are sensitive to changes in the operating conditions and internal components of gearboxes, making them a reliable indicator of potential faults. This paper introduces a new vibration signal data set, referred to as VibraFault, which has been the focus of the ICPHM23 data challenge. The dataset contains vibration signals acquired from a test rig consisting of a driving motor, a two-stage planetary gearbox, a two-stage parallel gearbox, and a magnetic brake. The experiments include various operating conditions and focus on common sun gear faults on the planetary gearbox, such as surface wear, chipped, crack, and tooth-missing. For each operating condition, normal and fault vibration signals have been recorded at a sampling frequency of 10 kHz. Vibration signals have been collected in three directions to facilitate more comprehensive research studies on mapping between different types of faults and the system’s vibration response. The dataset has the potential to promote research in fault diagnosis, particularly in the development of advanced solutions based on Machine Learning (ML) and Deep Neural Networks (DNN).
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 | 0,000 |
| 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 ».