Application of S-Relu activation function and adaptive dual-threshold noise reduction in fault diagnosis of RV reducer rolling bearings
Notice bibliographique
Résumé
Abstract In many complex operating environments of mechanical equipment, the collected vibration signals are easily contaminated by noise, which increases difficulty in fault diagnosis. To overcome the challenge of accurately diagnosing rolling bearing faults in rotate vector (RV) reducer under strong noise conditions, a fault diagnosis model with smooth Rectified Linear Unit (S-Relu) activation function and adaptive dual threshold noise reduction is proposed. Firstly, the receptive field of the neural network model is expanded by the dilated causal convolution, while preserving the temporal relationships within the data. Then, the S-Relu activation function is proposed to solve the limitations existing in the traditional activation function. Finally, an adaptive dual-threshold noise reduction method is proposed to mitigate the influence of a strong noise environment. The method adaptively adjusts the threshold according to the dynamic characteristics of the signal, and continuously reduces the noise through the shortcut connection method to filter out the noise thus enhancing the key fault feature information. The proposed method is validated with vibration signals collected from experiments of an RV reducer in the laboratory. Under the strong noise with signal-to-noise ratio of −8 dB, the diagnostic accuracy of the proposed method under different loads (0 N∙m, 625 N∙m, and 1250 N∙m) reaches 94.4%, 84.5%, and 80.3%, respectively. The classification accuracy of the proposed method is more than 99.38% without noise. The results show that the accuracy and reliability of the proposed method are significantly higher than that deduced by other commonly used advanced methods.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».