Current Signature-Based Bearing Fault Severity Classification Using a Robust Multilevel Cascaded Framework
Notice bibliographique
Résumé
Bearing faults are a critical concern in electrical machines, particularly permanent magnet synchronous motors (PMSMs), commonly used in electric vehicles. Early and accurate classification of bearing fault severity is essential for predictive maintenance, as it enhances cost-effectiveness, ensures safety, and extends product life. Although vibration-based monitoring offers rich diagnostic information, it remains costly and requires excess modifications. In contrast, current-based non-invasive techniques offer advantages in cost and integration but face challenges with accuracy due to operational complexities. This study presents six distinct artificial neural networks (ANNs)-based cascaded classification schemes for bearing fault severity classification. Discrete wavelet transform (DWT) with Symlet (Sym) is used for multi-resolution feature extraction in currents, combined with motor speed data to generate multi-channel features. These features are fed into an ANN-based level I algorithm using various fusion techniques, offering a more interpretable algorithmic framework. One approach employs a multi-input ANN for level I, integrated with an ANN-based level II for refined severity classification. This two-level cascaded approach achieves an accuracy over 99% on the Paderborn University dataset in various operational scenarios. The model is trained and analyzed using MATLAB. The proposed cascaded algorithms outperform single-stage models, and enhanced signal preprocessing improves accuracy and noise resilience. Additionally, the proposed risk-based performance indicator offers insights into maintenance strategies, while an optimum algorithm selection framework identifies an algorithm by considering a trade-off between computational complexity and accuracy.
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 | 0,001 |
| 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 | 0,001 |
| 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 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 ».