Feature learning for bearing prognostics: A comprehensive review of machine/deep learning methods, challenges, and opportunities
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
• Proposes a taxonomy for feature learning in bearing prognostics, including temporal, spatial, and spatiotemporal methods. • Details imbalanced data handling techniques, including shallow and adversarial methods. • Reviews feature-invariant learning methods to address inconsistent data distributions across varying operational conditions. • Reviews fusion models with integrated feature learning and prediction stages. • Analyzes bearing benchmark datasets, experimental setups, challenges, and proposes future research directions. Mechanical bearings are common elements in a wide range of applications, such as wind turbines and manufacturing. Therefore, bearing prognostics are crucial to preventing catastrophic failures and machinery breakdowns. In this context, extracting the influential features is often the most challenging task in the prognosis process. This complexity arises because of the non-linear and non-stationary nature of the acquired vibration signals. Therefore, this paper offers an extensive examination of state-of-the-art feature-learning methods. Initially, the paper introduces a taxonomy of feature learning methods, encompassing both shallow and deep learning approaches. The paper also discusses methods of feature-learning under imbalanced data samples and different operational settings. Furthermore, the paper details the experimental setups of commonly used benchmark datasets to assist scholars and practitioners in understanding the subject area. Finally, the study discusses the challenges associated with calculating bearings’ RUL and suggests potential areas for further research.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 |
| 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