An improved informative frequency band selection method for early fault detection of rolling element bearings
Notice bibliographique
Résumé
Detecting rolling element bearing (REB) fault symptoms in real-world industrial settings is quite challenging due to external noise and interference from other components, especially in the early stages of fault. Therefore, enhancing the fault symptoms is crucial in practical applications. REBs usually exhibit two key characteristics: impulsiveness and cyclostationarity. However, most traditional band selection methods, which focus on maximizing these factors, are often ineffective due to impulsive noise and cyclostationary-type signal from other components, such as gears. This limitation arises from two sources: the demodulation technique and the chosen indicator for band selection. To address this limitation, first, an improved envelope spectrum with adaptive thresholding strategy is developed to extract the most pertinent bearing fault signatures. Building on this improved demodulation approach, a novel Multi-Harmonics Energy Index (MHEI) is then introduced to quantify the fault harmonic energy relative to background noise. This index facilitates the identification of the optimal demodulation band containing the most relevant fault information. A genetic algorithm optimization with a gridline-based initial population selection scheme is employed to select this optimal band automatically. The robustness and accuracy of the proposed method are validated through experimental tests incorporating inner race, outer race, roller, and compound faults in the presence of various noise types. The results demonstrate the method’s effectiveness even under challenging conditions with significant non-related impulsive and cyclostationary noise.
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 | 0,001 | 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 ».