Fault Precognition System for Remaining Useful Life Estimation in Bearing Systems Using Autoencoder-LSTM and Clustering Techniques
Notice bibliographique
Résumé
This paper proposes a fault precognition system designed for predictive maintenance in bearing systems aimed at improving Remaining Useful Life (RUL) estimation accuracy.This study makes use of the Pronostia-bearing dataset, a recognized standard for RUL prediction and predictive maintenance.It includes vibration data captured by accelerometer sensors along two axes (X and Y), which shows how bearings deteriorate under different operation circumstances.The extensive size of the dataset, which includes several bearings experiencing progressive deterioration, guarantees strong validation of the suggested fault precognition and RUL prediction system in actual maintenance situations.The system utilizes the Pronostia bearing dataset, employing time-domain feature extraction, automated feature ranking, and fault pattern classification through Kmeans clustering with Silhouette Coefficients.A core component of the system is an Autoencoder-LSTM model, which identifies early fault occurrences by analyzing reconstruction loss thresholds-quantitative measures of deviation between observed and reconstructed data.These thresholds serve as indicators of anomalous behaviour, distinguishing normal operations from fault-prone data clusters.The system then estimates RUL using various LSTM variants, including Vanilla LSTM, BiLSTM, CNN-LSTM, StackLSTM, ConvLSTM and Encoder-Decoder LSTM, with performance evaluated using Mean Squared Error (MSE) and R scores.The results demonstrate that incorporating fault precognition into the system significantly enhances prediction accuracy, facilitating proactive maintenance and improving operational reliability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».