Performance Analysis and Comparison of Pre-Trained CNN in Bearing Fault Diagnostics
Notice bibliographique
Résumé
As deep learning methodologies progress, convolutional neural networks (CNNs) are seeing growing application in image recognition, especially within the domain of bearing fault diagnosis. Utilizing CNN for the automatic identification of features in vibration-related images can enhance both accuracy and efficiency in bearing fault recognition. However, the industry has developed a number of pre trained CNN models and makes it demanding to select models for specific tasks of bearing fault diagnosis. Therefore, this paper aims to compare three of the main-trend CNN models' prediction accuracy and computational performance comprehensively. First, three pretrained CNN models-VGG16, ResNet and SqueezeNet, were trained to classify the bearing vibration signal dataset which had been converted to 2-D scalogram images. Transfer learning was applied to all models in this process. Then, the prediction accuracy and training time were examined and compared. Results showed that the accuracy of all CNN models were acceptable but SqueezeNet has the lowest runtime and highest accuracy. ResNet showed slightly lower performance and VGG16 experienced overfitting and produced the lowest accuracy with the longest runtime. Overall, for similar tasks of image-classification-based bearing fault diagnostics, SqueezeNet is a better candidate compared to other main stream pretrained CNN models, which can bring great accuracy accompanied with better efficiency. The findings of this work are good reference for future model selection in bearing fault diagnosis and related tasks.
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 | 0,001 |
| 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 ».