Interpretable degradation tensor modeling through multi-scale and multi-level time-frequency feature fusion for machine health monitoring
Notice bibliographique
Résumé
A health indicator (HI) is crucial for comprehensively characterizing degradation processes influenced by multiple factors. However, HIs derived from physical features typically capture only partial degradation characteristics, making them insensitive to early faults and unable to show monotonic trends. Consequently, incorporating all relevant information is vital for effective machine health monitoring. Tensor features in data-driven methods offer the advantage of aggregating diverse information while preserving explicit structural relationships. Nevertheless, existing deep learning approaches for tensor feature fusion in degradation modeling often require large volumes of high-quality training data and lack interpretability. This study proposes an interpretable degradation tensor modeling methodology that enables multi-scale and multi-level fusion of time-frequency tensor features. This approach generates a set of HIs with diverse characteristics, enhancing early fault detection and monotonic performance evaluation. Initially, time-frequency spectrograms derived from different scales of vibration signals are represented as tensor features. A degradation tensor model is introduced to optimize tensor weights and achieve feature-level fusion for HI construction. An interesting finding is that time-frequency spectrograms with larger scales yield HIs with greater sensitivity to early machine faults, while smaller-scale spectrograms produce HIs with more pronounced monotonic trends. The methodology further integrates process control techniques with the proposed HIs for decision-level fusion, facilitating accurate early fault detection and monotonic deterioration assessment. Validation through two endurance tests demonstrates the superior performance of the proposed methodology compared to famous and classical approaches. Additionally, the optimized tensor weights can identify informative frequency bands associated with machine faults, enhancing fault diagnosis interpretability.
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 | 0,002 |
| 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 ».