轴承故障分类模型

准确率99.94%

一种融合多变量变分模态分解与四重特征选择的机器学习模型，为极端环境下的旋转机械提供高精度故障分类。

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

Measurement: Journal of the International Measurement Confederation 2025

参数信息

故障分类准确率

99.94 %

故障分类准确率

99.90 %

故障分类准确率

98.0 %

技术优势

抗过拟合

融合四种特征选择方法并结合斯皮尔曼秩相关，削弱噪声特征影响，使模型在有限数据上更稳健。

大样本高精度

ASHA优化器在大数据集上达到99.94%总体准确率，同时降低计算负载，适合资源有限场景。

小样本也适用

贝叶斯优化和随机搜索分别取得99.90%和98.0%准确率，证明框架在稀缺数据集上同样有效。

应用场景

• 旋转机械故障诊断：用多通道振动信号自动识别轴承故障类型，替代人工经验判断。
• 月球基地电力系统：部署到月球基地直流电网中，提前发现电机和泵的故障隐患，保障电力连续。
• 工业预测性维护：整合到工业振动监测系统，实现按需维护，减少非计划停机。
• 极端环境机械可靠性：在温度、辐射等极端条件下仍能稳定分类故障，提升设备可用性。