Angular resampling-sparse representation classification (AR-SRC): A new method for bearing fault diagnosis in non-stationary conditions
Notice bibliographique
Résumé
This paper presents a novel methodology for bearing fault diagnosis under non-stationary operating conditions using angular resampling combined with sparse representation classification. The proposed approach addresses variable speed challenges by transforming time-domain vibration signals into the angular domain through encoder-based resampling, enabling extraction of speed-invariant envelope order spectrum features. For classification, a structured dictionary is constructed from training samples for each bearing condition (healthy, inner race, outer race, ball, and combined faults). Sparse coding is performed using the fast iterative shrinkage-thresholding algorithm (FISTA) within an ℓ 1 -norm regularized framework, with final class assignment determined by minimizing reconstruction error across class-specific dictionaries. The proposed framework achieved 99.86% cross-validated accuracy on the Ottawa dataset and demonstrated superiority over state-of-the-art methods (classical machine learning classifiers and some deep learning architecture), all evaluated on identical speed-invariant features. Comprehensive cross-domain validation confirmed robust generalization: cross-speed-profile experiments achieved 99.6% mean accuracy when testing on unseen speed dynamics, while cross-load validation achieved 98.8% mean accuracy across different bearing types and loading conditions. All cross-domain scenarios exceeded 97.8% accuracy. This integrated framework provides a transparent, physically interpretable solution for bearing fault diagnosis, offering enhanced robustness to speed variability and load variations, with practical applicability for industrial condition monitoring under realistic 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.
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 | 0,000 | 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 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 ».