Practical Process History-Based Fault Detection and Diagnosis Algorithms Using Multivariate Statistical Process Control, Frequency, and Time-Frequency Approaches Addressing Variability in Datasets
Notice bibliographique
Résumé
This thesis addresses the development of innovative techniques for fault detection and diagnosis for rotary machines, explicitly focusing on Belt Starter Generators (BSGs) and Internal Combustion Engines (ICEs). The primary objective is to create methodologies that enhance the accuracy and reliability of fault detection systems by utilizing advanced signal processing and machine learning approaches. Three key contributions are made in this research. First is the integration of Short-Time Fourier Transform (STFT) with Principal Component Analysis (PCA)-based Multivariate Statistical Process Control (MSPC). This novel approach addresses the challenges posed by data variability in industrial environments. It significantly improves the robustness of fault detection algorithms. Second, the research develops the Adapted Local Binary Pattern (ALBP) method for bearing fault detection in BSG systems. This method combines signal processing techniques with computer vision algorithms to achieve superior accuracy without increasing computational complexity. Additionally, innovative strategies for handling domain shifts, such as multi-sensory multiblock analysis and domain adaptation techniques, are proposed to ensure consistent fault detection performance across different operating conditions. Third, the practical applicability of the proposed methodologies is thoroughly evaluated through comprehensive validation experiments using real-world industrial data. The results demonstrate the effectiveness and reliability of these methods, highlighting their potential for real-world implementation. These contributions enhance the state-of-the-art in fault detection and diagnosis, significantly improving operational reliability and efficiency for industrial machinery. This thesis presents substantial advancements in fault detection and diagnosis, providing robust solutions to address variability and domain shift challenges in industrial data. The findings contribute to safer and more efficient industrial operations, reinforcing the importance of advanced analytical techniques in the automotive industry.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».