Transfer Learning Approach using Simulated Induction Motor Bearing Data: A Comparative Analysis of SE-ResNet and its Hybrid Variants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Early detection of incipient bearing faults in induction motors has proven crucial in predictive maintenance, helping avoid machine downtime and costly repairs. The main challenge is collecting sufficient data for deep learning models since faults are a rare occurrence. This paper investigates the efficacy of a transfer learning approach for induction motor bearing fault diagnosis using simulated vibration data. Healthy and faulty bearings of different severities were simulated in MATLAB for various noise magnitudes. A Squeeze and Excitation Residual Network (SE-ResNet), previously trained on a large dataset for bearing faults of a Permanent Magnet Synchronous Motor (PMSM), is used as a feature extractor. By leveraging pre-trained knowledge, the model's weights were fine-tuned using Bayesian Optimization, aiming to mitigate the data scarcity issue while maintaining accurate fault classification. The model's performance was compared against three hybrid architectures incorporating Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Bidirectional LSTM (BiLSTM) layers. The study aims to assess the impact of adding recurrent layers to capture temporal dependencies within simulated vibration signals. Contrary to expectations, the hybrid models did not improve the classification accuracy compared to the standalone pre-trained SE-ResNet. The test accuracy remained the same for all the models at 97.297% whereas the computational cost increased for the hybrid models. This paper analyzes these findings, highlighting the challenges of transfer learning with simulated data.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,006 | 0,011 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle