基于神经分解的数轴故障诊断
机器学习
2025-12-09 v1
摘要
本文研究了高速列车轴承故障诊断的关键问题。作为运行系统的核心组件，轴承的健康状况直接关系到列车运行的安全。传统诊断方法在复杂条件下面临诊断准确率不足的挑战。为解决这些问题，我们提出了一种新型基于神经分解的分类 (NFC) 框架，用于轴承故障诊断。该框架建立在两个核心思想之上：1) 将振动时间序列嵌入多个模式级潜在特征向量，以捕获多样化的故障相关模式；2) 利用神经分解原理将这些向量融合为统一的振动表征。该设计能够有效地从原始时序数据中挖掘复杂的潜在故障特征。我们进一步基于 CP 和 Tucker 融合方案分别实现了两个模型 CP-NFC 和 Tucker-NFC。实验结果表明，两个模型均优于传统机器学习方法。比较分析提供了有价值的实证依据和实用指导，帮助选择高速列车轴承监测中的有效诊断策略。
引用
@article{arxiv.2512.06837,
title = {Neural Factorization-based Bearing Fault Diagnosis},
author = {Zhenhao Li and Xu Cheng and Yi Zhou},
journal= {arXiv preprint arXiv:2512.06837},
year = {2025}
}