基于 Kolmogorov-Arnold 网络的滚动轴承可解释故障与严重程度分类
机器学习
2025-10-23 v3 人工智能
摘要
滚动轴承是旋转机械的关键部件，其性能直接影响工业系统的效率和可靠性。与此同时，轴承故障是导致机械故障的主要原因，常导致高额停机成本、生产力下降，甚至在极端情况下引发灾难性损坏。本研究提出了一种方法，利用 Kolmogorov-Arnold 网络通过自动特征选择、超参数调优和可解释故障分析在统一框架中解决这些挑战。通过训练浅层网络结构并最小化所选特征的数量，该框架产生轻量级模型，通过特征归因和其激活函数的符号表示提供可解释结果。在两个被广泛认可的轴承故障诊断数据集上验证，该框架实现了故障检测的完美 F1 分数，并在故障和严重程度分类任务中取得高性能，包括在大多数情况下取得 100% 的 F1 分数。值得注意的是，它通过处理同一数据集中的多种故障类型（如不平衡和错位） demonstrate了适应性。符号表示增强了模型的可解释性，而特征归因提供了对每个研究任务最佳特征类型或信号的洞见。这些结果凸显了该框架在实际应用（如实时机械监控）以及需要高效和可解释模型的科学研究中的潜力。
引用
@article{arxiv.2412.01322,
title = {Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks},
author = {Spyros Rigas and Michalis Papachristou and Ioannis Sotiropoulos and Georgios Alexandridis},
journal= {arXiv preprint arXiv:2412.01322},
year = {2025}
}