Fault Diagnosis and Prediction Techniques for Advanced Measurement Systems in Flexible Production of Metrology and Inspection
Notice bibliographique
Résumé
Measurement and verification play a crucial role in flexible production, and with the development of technology, advanced measurement systems in flexible production systems gradually integrate fault diagnosis and prediction techniques to improve production efficiency.In this paper, a deep confidence neural network model, combined with the ISSA-VMD feature fusion model, is used to model fault diagnosis and prediction in flexible production of power systems.The training effect, prediction performance, feature extraction and fault diagnosis of this paper's model in flexible production are evaluated and analysed through simulation experiments.The Loss value of this paper's model converges to about 0.05 after 15 rounds of training, and has a good fitting effect on the training and test sets.The RMSE, MAE and R of the model in this paper are 0.613, 0.371 and 0.988, respectively, which show good prediction performance.And the prediction results in the measurement system of power generation in flexible production are also more close to the real results.In addition, the DBN model incorporating ISSA-VMD feature fusion can completely separate the five fault signals, and the overall fault identification accuracy reaches 98.53% for the fault test set selected in this paper, which has strong diagnostic effect.This study provides more scientific and effective technical support for metrological verification in flexible production.
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 | 0,000 | 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 ».