BO优化稀疏DAE-BiLSTM故障分类模型

轴承故障识别精准高效

利用贝叶斯优化自动调整稀疏深度自编码器与双向长短期记忆网络的结构和超参数，实现滚动轴承故障的精准分类。

Yousaf, Zain · Guerrero, Josep M. · Sadiq, Muhammad Tariq

Engineering Applications of Artificial Intelligence 2025

参数信息

宏精确率

99.50 %

宏召回率

99.60 %

F1分数

99.57 %

Cohen's Kappa系数

99.53 %

技术优势

超参自动寻优

利用贝叶斯优化并行搜索最佳网络结构与超参数，省去人工试错，同时充分发挥多核CPU/GPU的计算潜力。

兼顾时空特征

DAE提取非线性空间特征，Bi-LSTM捕获时间依赖，三阶段优化框架有效融合两类信息，提升故障分类准确性。

精度可靠性高

宏精确率99.50%、召回率99.60%、F1分数99.57%、Cohen's Kappa 99.53%，在真实工业应用中诊断性能突出。

应用场景

• 旋转机械故障诊断：自动识别轴承振动信号中的故障模式，替代人工分析，提高诊断速度和准确率。
• 工业设备状态监测：实时监测设备健康状态，提前预警轴承异常，避免非计划停机。
• 智能运维：基于精确故障分类制定预测性维护计划，减少维修成本和停机时间。