Video-based diagnosis of a rolling element bearing using a high-speed camera: Feedback on the Survishno 2023 conference contest
Notice bibliographique
Résumé
The aim of this paper is to provide a feedback on the signal processing contest organized at the Survishno/Resonance conference held in 2023 in Toulouse, France. The aim of the competition was to demonstrate the possibility of diagnosing a bearing operating at a variable rotation speed using high-speed video data only. To this end, a video of an operating faulty bearing was proposed to registered people a month before the event, with the task of extracting the instantaneous rotation speeds of the various rotating parts, and proposing a methodology for identifying the type of fault (which was only known by the contest organizers). Ten teams of researchers from academia and industry were then formed, and proposed different approaches, the results of which were compared with reference data. The diagnostic task proved difficult, with none of the teams achieving the correct diagnosis of the fault. However, it is shown in this paper that by crossing the results of the different teams, it was possible to achieve the correct diagnosis. A tutorial is proposed at the end of the paper, presenting the application of a complete processing chain from video data to order envelope spectral analysis. Results illustrate the ability to recover bearing fault signatures, and also show the possibility to enhance the diagnosis by taking advantage of the fine tracking of the position of each part of the system offered by the video.
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) | 0,000 | 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 ».