基于CWRU数据集对 bearing 故障诊断的深度学习模型基准测试：多标签方法
信号处理
2024-07-23 v1
摘要
本文提出一种新的方法，用于 Case Western Reserve University (CWRU) bearing 故障数据集上的故障诊断问题。虽然该数据集被认为是测试新算法的标准参考，但通常的数据集划分存在数据泄漏问题，如 Hendriks 等人 (2022) 和 Abburi 等人 (2023) 所示，导致报告的论文结果过于乐观。尽管他们提出的划分显著缓解了此问题，但并未完全消除。此外，他们提出的多类分类任务仍可能导致不切实际的情境，即排除了可能同时或在不同位置发生多个故障类型的可能性。本文主张使用多标签方法（检测每个位置每个故障类型的存在）来解决这两个问题，从而更贴近现实情境。此外，多标签方法还能缓解 CWRU 数据集的严重类别不平衡问题，即故障案例的出现频率远高于健康案例，尽管在实际情况下，后者更可能发生。多标签方法还支持使用基于 prevalence-independent 二分类评估指标（如 ROC 曲线）进行更精确的评估。最后，本文提出一种更真实的数据集划分，允许训练数据集具有更多样性，同时保持划分无数据泄漏。结果表明，这一新的划分显著提高了性能，并 enables 更精细的误差分析。作为本方法的应用，我们对Several 最先进的深度学习模型在 1D 和 2D 信号表示（时域和/或频域）上进行了比较基准测试。
引用
@article{arxiv.2407.14625,
title = {Benchmarking deep learning models for bearing fault diagnosis using the CWRU dataset: A multi-label approach},
author = {Rodrigo Kobashikawa Rosa and Danilo Braga and Danilo Silva},
journal= {arXiv preprint arXiv:2407.14625},
year = {2024}
}