Modified Grammian Angular Field for spatially informed induction motor fault diagnosis using feature fusion for fault tolerant control applications
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 bearing faults is crucial for ensuring the operational safety and fault-tolerant control (FTC) of motors. Traditional 2D representations of 1D time series data often fail to preserve temporal variations within a spatial context, limiting their effectiveness in fault diagnosis and control adaptation. To address this limitation, Grammian Angular Field (GAF) provides a structured encoding of time series data. This paper introduces a Modified Grammian Angular Field (M. GAF), a refined feature representation that enhances fault detection and enables adaptive control strategies. Our approach employs a weighted overlapping technique that fuses the Grammian Angular Difference Field (GADF) and logarithmic Grammian Angular Summation Field (Log. GASF), effectively capturing intricate temporal patterns and spectral features. The enhanced M. GAF representation serves as the foundation for our proposed Involution Convolution Feature Concatenation (I. C. FC) framework, which extracts both channel agnostic and spatial-specific, as well as spatial agnostic and channel-specific features, facilitating robust fault diagnosis and real-time control adaptation. Experimental results demonstrate the robustness of our approach, achieving 99.74% accuracy on the University of Ottawa dataset and 100% accuracy on the Case Western Reserve University dataset. Furthermore, our methodology contributes to the advancement of FTC strategies by enabling intelligent fault detection.
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 | 0,001 | 0,002 |
| 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 | 0,000 | 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 découle