Amplitude-Based Time-Shift Multiscale Feature Fuzzy Dispersion Entropy: A Novel Health Indicator for Aeroengine Fault Diagnosis
Notice bibliographique
Résumé
Fuzzy dispersion entropy (FuzzyDE) effectively solves the dispersion pattern rounding errors of dispersion entropy (DE). However, distinct pattern characteristics correspond to different properties of dynamic systems. The pattern probability derived from merely counting the number of different patterns imposes limitations on the representation of nonlinear systems by FuzzyDE. To address this issue, this article presents the feature FuzzyDE (FFuzzyDE). This approach utilizes the numerical characteristics of dispersion patterns as new indicators for measuring pattern probability, thereby replacing the singular quantification methods of traditional approaches. The fuzzy membership is combined with the characteristics of the patterns to derive the exclusive probability associated with each dispersion pattern. Simulation experiments demonstrate that the feature dispersion pattern construction scheme allows FFuzzyDE to achieve stable entropy values more rapidly across varying data lengths, is sensitive to characteristic changes in frequency-amplitude modulation signals, effectively captures subtle characteristic changes in nonlinear systems, and exhibits excellent noise suppression capabilities. Furthermore, by integrating the amplitude-based time-shift coarse-graining method, FFuzzyDE is extended into the multiscale calculation domain, resulting in amplitude-based time-shift multiscale feature fuzzy DE (ATSMFFDE). Two sets of bearing fault damage experiments show that ATSMFFDE can accurately extract bearing fault characteristics, and therefore provides effective health monitoring indicators for aeroengine bearings.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».