A Variable-Speed and Multi-Condition Bearing Fault Diagnosis Method Based on Adaptive Signal Decomposition and Deep Feature Fusion
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
To address the challenges in identifying effective fault features and achieving sufficient diagnostic accuracy and robustness in variable-speed printing press bearings, where complex mixed-condition vibration signals exhibit non-stationarity, strong nonlinearity, ambiguous time-frequency characteristics, and overlapping fault features across multiple operating conditions, this paper proposes an adaptive optimization signal decomposition method combined with dual-modal time-series and image deep feature fusion for variable-speed multi-condition bearing fault diagnosis. First, to overcome the strong parameter dependency and significant noise interference of traditional adaptive decomposition algorithms, the Crested Porcupine Optimization Algorithm is introduced to adaptively search for the optimal noise amplitude and integration count of ICEEMDAN for effective signal decomposition. IMF components are then screened and reorganized based on correlation coefficients and variance contribution rates to enhance fault-sensitive information. Second, multidimensional time-domain features are extracted in parallel to construct time-frequency images, forming time-sequence-image bimodal inputs that enhance fault representation across different dimensions. Finally, a dual-branch deep learning model is developed: the time-sequence branch employs gated recurrent units to capture feature evolution trends, while the image branch utilizes SE-ResNet18 with embedded channel attention mechanisms to extract deep spatial features. Multimodal feature fusion enables classification recognition. Validation using a bearing self-diagnosis dataset from variable-speed hybrid operation and the publicly available Ottawa variable-speed bearing dataset demonstrates that this method achieves high-accuracy fault identification and strong generalization capabilities across diverse variable-speed hybrid operating conditions.
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