Multiscale Dynamic Weight-Based Mixed Convolutional Neural Network for Fault Diagnosis of Rotating Machinery
Notice bibliographique
Résumé
Convolutional neural network (CNN) was widely applied to the data-driven-based fault diagnosis. However, it often needs to artificially transform the signal into a 2-D image with the help of time-frequency transformation; furthermore, the alternative 1-D CNN can only extract single-scale features but cannot adaptively reveal the relationship between scales even if 1-D convolution kernels of multiple scales are applied at the same time. Accordingly, this article proposes a mixed CNN model, namely, a multiscale dynamic weighted 1-D to 2-D (1D–2D) CNN model (1D–2D MDWCNN), which resembles multiwavelet-based CNN method but uses different scale convolution kernels in 1-D convolution neural network to facilitate the multiscale feature extraction and accomplish adaptive features fusion in the constructed 1D–2D seamless joint network framework. Specially, to reflect the global contribution of different convolution kernels, a dynamic weighted (DW) network layer is constructed to adaptively adjust the global weight of each convolution kernel, so as to improve the fault diagnosis ability. The validity of the model is verified by motor bearing fault diagnosis experiment and gearbox fault diagnosis experiment. The diagnosis results proved the developed 1D–2D MDWCNN model superior to the latest CNN-based models.
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 | 0,000 |
| 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 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 ».