A Neural Network-Assisted Boussinesq pressure bulb model for load assessment of cylindrical rolling element bearings
Notice bibliographique
Résumé
• A NN-assisted pressure bulb model was proposed for load assessment of roller bearings. • The accuracy of the Boussinesq pressure bulb model was investigated. • Two NNs were integrated into the model to enhance accuracy. • High accuracy was validated through simulations and experiments. The accurate assessment of contact forces and radial load is critical for the performance and reliability of the cylindrical rolling element bearings. The current theoretical models based on Hertzian theory are challenging since the deformation is relatively small to measure, and installing sensors on the contact area is difficult. This paper introduced the Boussinesq pressure bulb model for bearing load assessment and found that the original model had a maximum of 33% error because it did not consider the boundary effects and material properties. To improve accuracy, a Neural Network-assisted Boussinesq model is proposed by integrating two Neural Networks (NNs) with the original Boussinesq model. The first NN accurately transfers strain measurements from Fiber Bragg Grating (FBG) optical sensors into stresses at the point of interest, while measuring strain is easier in practical applications. The second NN provides an accurate tuning factor to address errors in the original model. The NN-assisted Boussinesq model greatly outperforms the original model and shows an error below 3.73%. The performance of the proposed model is validated through simulations and experiments. In simulations, errors were below 1% when the outer race and housing were made of the same material, 6.7% for a GCr15 steel outer race with a spheroidal graphite iron housing, and 11.6% for a GCr15 steel outer race with a grey cast iron housing; the latter remains acceptable for non-precision applications. In experiments, radial load estimation errors were below 3% in static tests and 4.6% in dynamic tests. All these simulations and experiments demonstrated the superiority of the proposed method. Moreover, it is practical and easy to implement in real-time bearing stress and load measurements.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».