Investigating bearing and gear vibrations with a Micro-Electro-Mechanical Systems (MEMS) and machine learning approach
Notice bibliographique
Résumé
• A MEMS setup comprised of a Raspberry Pi 4B+ module, a NuceloF401RET6 MCU, an OLED screen, and an Adxl1002z accelerometer is developed to acquire vibration data at the desired sampling frequency. • A Random Forest machine learning model is developed to classify the faults and to determine the MEMS performance using extracted vibrational features. • A detailed signal analysis evaluates MEMS performance and investigates the impact of bearing and gear vibration interactions. Bearings and gears are the pivotal components of mechanical systems and are prone to faults that can impact the system's overall performance. These components' condition monitoring and fault diagnosis are vital for maintaining system reliability and efficiency. In this research, a MEMS setup is initially developed, comprising a Raspberry Pi 4B+ CPU module, a NucleoF401RET6 MCU, an OLED screen, and an Adxl1002z accelerometer for acquiring vibration signals at the desired sampling frequency stored in the CPU memory. Further, an RF model is also developed to classify different types of faults based on features extracted from the acquired vibration data. The model evaluates the precision and reliability of the MEMS setup in capturing and classifying vibration signals. A detailed signal analysis is also conducted to determine the performance of the developed MEMS setup and to investigate the effect of bearing vibration signature due to gear fault and vice versa. The results indicate that bearing faults cause irregularities in the shaft's rotational speed, leading to modulation of the gear mesh frequency ( gmf ) of gears mounted on the affected shaft. Conversely, gear faults disrupt the shaft's rotational motion, imposing excessive loads on shaft-supported bearings. These disruptions result in distinct vibration patterns characterised by increased harmonics and side bands within the bearing frequency range. The RF model effectively identifies and classifies faults with high accuracy by leveraging its ability to prioritise the most significant vibrational features, resulting in improved predictive performance and robustness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».