Kronecker convolutional feature pyramid for fault diagnosis in rolling bearings
Notice bibliographique
Résumé
Rolling bearings play a significant role in rotating machinery. Due to the failure of these components, the operations of the whole machinery are compromised and get out of service, which ultimately causes significant workload overhead and monetary loss. Many techniques are proposed for the diagnosis of faults in the rolling bearing; these techniques are manual and require a large amount of time for identification and correction of faults, which is not suitable for routine maintenance and operability of this rotating machinery. Therefore, there is a need for promising techniques for autonomous and reliable fault diagnosis in rolling bearings. Furthermore, the proposed deep learning model for fault diagnosis is not able to provide efficient and reliable results and is vulnerable to degradation problems and lack of multi-scale feature extraction. This proposed model faces the issue of the degradation problem due to the disappearance of the gradient, which ultimately compromises the optimization process. To solve these issues above, the authors proposed a novel three-dimensional (3D) Kronecker convolution feature pyramid (KCFP), which efficiently inputs the acquired data without converting time-frequency domain and pixel loss. In our model, the single dilation rate is replaced by 3D Kronecker convolution, and 3D Feature Selection (3DFSC) is used for the local learning of features. The proposed research enhances feature representation and classification accuracy while mitigating model degradation. Authors evaluate the model on the Paderborn University and MFPT bearing datasets. KCFP achieves round (99.6%) classification accuracy, outperforming the MFF-DRN (98.6%) and standard CNN (97.5%) models for the Paderborn University dataset. KCFP achieves round (97.6%) classification accuracy, outperforming the MFF-DRN (97.0%) and standard CNN (95.7%) models for the MFPT dataset. These results demonstrate the potential of KCFP for reliable and efficient rolling bearing fault diagnosis in industrial applications.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| 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 ».