Enhanced approach for gears-bearings defect diagnosis based on optimized artificial neural network model and features selection graphical technique
Notice bibliographique
Résumé
This study presents a high-performance artificial neural network system, optimized using the Grey–Taguchi multi-objectif optimization technique, for accurate diagnosis of single and compound gear–bearing faults in rotating machinery. The proposed approach integrates automated feature extraction with a robust feature selection framework combining class-wise discriminative analysis based on global one-way ANOVA, effect size estimation, Fisher scores, and a One-vs-Rest strategy. Graphical validation of the selected features is further conducted using box-and-whisker plots to enhance interpretability and ensure measurement stability. To address non-stationary industrial noise, a Least Mean Squares (LMS) adaptive filter is employed to suppress irrelevant components while preserving impulsive and modulation-related fault vibration signatures. Experimental validation is carried out using three-axis vibration measurements acquired from a Machine Fault Simulator operating under magnetic brake conditions, effectively emulating a realistic noisy environment. The optimized model achieved a global correlation coefficient (RG) of 98.593 %, a mean squared error (MSE) of 0.019799, and an overall macro-averaged F1-score of 98.40 % within 39 training epochs. Incorporating the most discriminative features further enhanced the diagnostic performance, achieving an overall macro-averaged F1-score of 99.64 % (RG=99.955 %). These results demonstrate the robustness, reliability, and practical suitability of the proposed methodology for advanced condition monitoring under noisy and compound fault scenarios.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».