Intelligent Faults Diagnosis of Variable Operating Condition Bearing Based on Order Analysis and Deep Residual Networks
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
As an important component of rotating mechanical systems, rolling bearings greatly affect the safety and reliability of equipment operation. If rolling bearings fail during system operation, it will not only lead to a decline in equipment performance but also, in extreme cases, cause system failure or shutdown, resulting in more serious economic losses or even casualties. Therefore, fault diagnosis of rolling bearings is of great significance. However, due to the complex working environment, accurate fault diagnosis of rolling bearings faces significant challenges. For example, in reality, there are often variable operating conditions, and changes in equipment speed can lead to signal “spectrum damage,” making it difficult to obtain effective information for fault identification and extraction. This ultimately makes it difficult to identify bearing faults. This research proposes an order analysis and deep residual network based fault diagnosis technique for rolling bearings working under changeable conditions. Firstly, the original vibration signal and speed signal data of the bearing are preprocessed using order analysis method to generate the corresponding target data set. Then, the deep residual network model is trained and fine-tuned on the generated target data set. Finally, the fine-tuned deep residual network model is applied to fault diagnosis. The method is validated on a variable operating condition bearing data set from the University of Ottawa in Canada, and the results show that the method can achieve a 99.4% accuracy rate in fault diagnosis of variable operating condition bearings, demonstrating promising application prospects.
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 | 0,000 | 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 découle