.png){kind=icon}
返回
Divergence-Based Event Detection in Microbatch Processing for Data Streams
.png){kind=icon}
PRE
AI
DOI：10.1109/TII.2025.3567380.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
轴承故障检测对于确保旋转机械的可靠性以及防止昂贵的故障至关重要。本文提出了一种新颖的方法，结合微批量处理（MBP）与回顾性发散性事件检测算法，以解决实时故障检测中的关键挑战，包括处理多模态传感器数据、管理类别不平衡以及检测细微故障特征。MBP将连续数据流分割成更小、可管理的批次以进行近实时处理，但我们假设这种离散化可能会影响检测精度，特别是在处理多模态数据时。为克服这些局限性，我们的方法引入了：首先，从微批量中提取高阶特征（如偏度和峰度），以增强系统检测早期故障的能力；其次，应用Kullback–Leibler和Pearson发散度量来检测微批量间数据分布的变化；最后，使用机器学习模型（朴素贝叶斯、决策树和支持向量机）进行验证，以评估算法的有效性。实验结果表明，所提出的方法提高了故障检测精度，特别是在检测早期故障和处理不平衡数据方面。我们的发现表明，将MBP与回顾性发散性技术相结合是一种稳健的解决方案，适用于在多模态数据流中检测故障，使其非常适合实时工业监测。
Keyword:
Bearing fault detection
data stream processing
machine learning
microbatch processing (MBP)
multimodal data
near real-time event detection
期刊
IF:
9.9
论文数:
8.6K
被引数:
6.0W
机构
引用论文
A Deep-Learning-Based Bearing Fault Diagnosis Using Defect Signature Wavelet Image Visualization
OAAI
OAAI分享收藏Enhanced fault feature extraction and bearing fault diagnosis using shearlet transform and deep learning基于剪切波变换和深度学习的轴承故障特征增强提取与故障诊断
PREAI
分享收藏Acoustic Emission Fault Diagnosis of Rolling Bearing Based on Discrete Hidden Markov Model基于离散隐马尔可夫模型的滚动轴承声发射故障诊断
PREAI
分享收藏A Distributed Stream Processing Middleware Framework for Real-Time Analysis of Heterogeneous Data on Big Data Platform: Case of Environmental Monitoring.png)
SensorsOAAI
SensorsIF0
OAAI分享收藏
查看更多内容