Bearing Fault Diagnosis Using Domain Adaptation Approach for Acoustic Data
Notice bibliographique
Résumé
Bearing failures are one of the most occurring problems in industrial machines. Thus, bearings require improved fault detection methods. In this direction, data-driven approaches for machine fault diagnosis have proven to be more effective than the model-based approaches. However, conventional data-driven methods in domain shift conditions are unable to yield optimal performance. Bearing faults usually occur under different operational conditions. Related to this, acoustic emissions as a non-invasive can capture valuable information about machine health conditions and it is considered as an effective alternative to vibration and current-based methods. Moreover, the application of acoustic data in the domain-shift scenario has not been much explored. In this research, we implement a transfer learning approach for bearing fault diagnosis using machine acoustic data while considering the domain shift problem. Three deep learning models including 1DCNN, 1DCNN-LSTM, and a Residual network are developed and investigated in this research. The pre-trained models are implemented based on the DCASE dataset. The pre-trained models are established using the Air Compressor dataset. By using transfer learning, the feature parameters obtained during model development on the Air compressor dataset are utilized to fine-tune the model on the DCASE dataset. The results demonstrate that the model accuracy through the proposed approach is improved to 89.7% for the target domain. The hybrid model 1DCNN-LSTM demonstrated the best results than the other two algorithms.
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 | 0,000 | 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 | 0,001 | 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 ».