A Deep Learning Solution for Fault Detection and Diagnosis Applied to Internal Combustion Engines
Notice bibliographique
Résumé
In today's competitive manufacturing environment, special attention is given to the quality and reliability of manufactured products. Condition monitoring and more precisely Fault Detection and Diagnosis (FDD) are aimed at addressing that attention for increased customer satisfaction. The economic implications of FDD are highly valued in the industry, and academia is leveraged to provide smart responses. The focus of this research is the development of an FDD algorithm for internal combustion engine faults via engine block vibration using deep learning. The FDD solution would have to be implemented in software where it could operate in the absence of human intervention. The proposed solution includes two elements namely: input feature construction and fault classification. Short-time Fourier Transform (STFT) and Convolutional Neural Networks (CNNs) perform the aforementioned elements. The FDD solution detects and diagnoses fault signatures from 4 different knock sensors mounted on a V8-type Ford engine. The solution comprises the STFT which converts the knock sensors’ signal from the time domain to the crank angle-frequency domain, hence providing features to be used for diagnosis. These features are then used as input to a CNN, which can learn the crank angle-frequency patterns found in the input data and subsequently perform classification. Transfer learning is used in the proposed solution to circumvent domain shift and improve generalization. This gives the FDD solution advantages such as high diagnosis accuracy, robustness against perturbations in data quality and no need for human intervention.
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 | 0,000 |
| 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) | 0,001 | 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 ».