An interpretable transfer learning method for bearing diagnosis across different systems, faults, and signal types
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
Bearing fault diagnosis is critical for the maintenance of mechanical systems. This paper proposes a transfer learning approach across different systems, faults, and signal types with limited labeled data. The core idea of this study is to integrate feature reshaping based on continuous wavelet transform and model fine-tuning, enhancing the model’s adaptability across different tasks. Feature reshaping based on spectral analysis improves the transferability of data within the model, while model fine-tuning aims to enhance diagnostic accuracy and accommodate the requirements of the target domain. To validate the feasibility and generalizability of the proposed method, two case studies were conducted. The results of case study 1 demonstrate that the method can achieve effective transfer learning across different machines, fault types, and label quantities, yielding high accuracy. Case study 2 explores transfer learning between different signal types, showing that acoustic signals can be successfully transferred to a vibration-based model. In addition, this paper uses Shapley Additive Explanation (SHAP) to interpret the transfer learning model. The SHAP analysis reveals that the model effectively captures the key time–frequency features associated with bearing faults. Feature reshaping enhances the signal-to-noise ratio, enabling the model to focus more on fault-related features rather than noise. SHAP analysis clearly highlights the feature differences between various fault types and identifies the critical factors underlying the model’s decision-making process. These findings validate the importance of feature reshaping and fine-tuning in improving the classification performance of the model.
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 | 0,000 | 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 | 0,000 | 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