博文

Electronics: 机器学习模型比较分析——为滚动轴承预测维护找到最优解

已有 178 次阅读 2026-3-20 17:29 |个人分类:学术软文|系统分类:论文交流

在工业 4.0 时代，滚动轴承作为旋转机械的核心部件，其健康状态直接决定设备运行稳定性与生产连续性。据相关研究统计，轴承故障是引发旋转机械停机的主要原因之一，占比高达 40%，这类故障不仅会造成生产线非计划中断，还会产生高昂的设备维修与部件更换成本，给企业带来显著的经济损失。传统的定时维护、人工检测等方式，存在反应滞后、精度不足、主观性强的痛点，已难以满足现代化工业生产对设备运维的高效化、智能化需求。为此，英国桑德兰大学Umer Farooq博士团队在 Electronics 期刊发表研究成果，通过系统性对比多种机器学习与深度学习模型的性能，为滚动轴承的预测性维护打造了一套高效精准的解决方案。

两种轴承缺陷示意图

研究过程与结果

研究团队的核心目标，是筛选出轴承故障诊断中兼顾高准确率与高计算效率的机器学习模型，以实现轴承健康状态的快速识别与故障预警。研究采用 NASA 卓越预测中心的轴承全寿命数据集，该数据集来源于轴承全寿命测试实验，实验中轴承在 6000 磅负载、2000 RPM 转速的工况下持续运行至失效，最终采集到 2155 组有效振动信号样本。

在数据预处理阶段，团队对原始振动信号展开了全面的清洗与特征工程，不仅剔除了信号中的噪声与异常值，还提取了均值、标准差、峰度、均方根等多个时域特征，这些特征能够有效反映轴承运行过程中的状态变化。同时，团队通过编码技术将轴承的健康状态转化为模型可识别的标签，为后续模型训练奠定了扎实的数据基础。

振动信号统计特征图

本次对比涵盖分类、集成、深度学习三大技术方向的五类主流模型，形成了覆盖不同技术路径的全面对比体系。其中分类算法包含逻辑回归与支持向量机，集成算法纳入随机森林和极端梯度提升，同时引入长短期记忆网络作为深度学习算法的代表参与测评，以此确保对比结果的客观性与全面性。

团队从准确率、精确率、召回率、F1 分数及训练时间五个维度，对五类模型展开全面评估。核心评估结果显示，XGBoost 模型以 96.61% 的准确率、98.10% 的精确率、96.17% 的召回率和 97.10% 的 F1 分数，包揽所有性能指标的第一名，其学习曲线清晰展现出模型训练收敛速度快、泛化能力强的优势。更值得一提的是，该模型的训练时间仅需 0.76 秒，在所有高准确率模型中计算效率最优，这一特性使其能够适配工业现场的实时诊断需求。

XGBoost 学习曲线图

对比来看，随机森林和 SVM 的准确率均在 83% 以上，可作为轴承故障诊断的备选方案，但二者的训练时间显著长于 XGBoost，其中随机森林的训练耗时达到 23.91 秒，难以满足实时性要求；逻辑回归准确率仅为 67.71%，在复杂故障诊断场景中适用性有限；深度学习模型 LSTM 的准确率为 79.30%，训练耗时更是高达 80.58 秒，且存在一定过拟合现象，在小样本轴承数据集中未体现出技术优势。

此外，XGBoost 的突出优势还体现在对不平衡数据的处理能力上，其内置的正则化参数能够有效规避过拟合风险，对于轴承故障数据中“正常状态样本多、故障状态样本少”的特点适配性极强，这也是其在实际工业场景中更具应用价值的关键原因。综合多维度指标可以明确，集成算法在轴承故障诊断任务中表现优于传统分类算法和深度学习算法，XGBoost 凭借高准确率 - 低计算成本的绝佳平衡，成为工业场景下轴承预测维护的优选模型。

研究总结

本研究通过构建多模型对比框架，为滚动轴承预测维护提供了高效解决方案，兼具理论与工程价值。研究证实，XGBoost 在小样本振动数据集上表现突出，以 96.61% 的准确率和 0.76 秒的训练时间，实现了性能与效率的最优平衡，优于传统分类算法和深度学习模型。该研究的核心贡献在于验证了集成算法在工业小样本场景的实用性，规避了深度学习模型高算力、高部署成本的痛点，同时构建的标准化评估流程，可为同类旋转机械故障诊断研究提供参考。

不过研究仍存在局限，实验采用的标准工况数据集与真实工业场景中多变的温度、湿度、负载等复杂工况存在差异，模型在真实工况下的泛化能力仍需进一步验证。此外，研究仅聚焦于轴承的故障分类，未涉及故障程度评估与剩余寿命预测，功能维度有待拓展。未来可扩充多工况、多型号轴承数据集，将训练好的 XGBoost 模型部署至边缘计算设备，实现轴承健康状态的实时监测与预警，同时探索多模型融合策略，进一步提升诊断精度与稳定性。

阅读英文原文：https://www.mdpi.com/2079-9292/13/2/438