Stacking deep learning models to analyse vibration and current signatures in rotating machinery
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
Purpose We explore the enhancement of deep learning (DL) algorithms from time series data analysis for rotating machinery monitoring. Design/methodology/approach Our proposed method combines the strengths of three distinct neural network architectures: a Multilayer Perceptron (MLP), a Long Short-Term Memory (LSTM) and a Convolutional Neural Network (CNN). The skills of each architecture allow us to tune them to process data from time, frequency and time-frequency domains, respectively. The multi-domain stacking approach has proven effective, confirming its versatility and potential for applicability in several diagnostic scenarios on industry applications. Findings It is challenging to work with high-quality and extensive datasets, remarkably like electrical currents. Electrical current can be interpreted in time, frequency and time-frequency domains. Multi-domain stacking DL models can be tuned to be more suitable for electrical current analysis. Multi-domain stacking approach has applicability in several diagnostic scenarios in industry applications. Originality/value We introduce a novel approach to fault detection by exploiting machine learning algorithms and signal processing techniques across time, frequency and time-frequency domains. Our method integrates data from these domains using three specialized neural network architectures: MLP for structured data from the Fast Fourier Transform (FFT), CNN for matrix-like data from spectrograms and LSTM networks for sequential data with dependencies over time. We stack these specialized architectures to form a neural network framework that enhances data utility, improving classification accuracy rate and noise robustness. It is applicable not only to electrical signal analysis but also to vibration data, offering broad potential for preventive maintenance and operational safety across various industry applications.
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 | 0,001 | 0,001 |
| 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