面向轴承故障诊断的机器学习模型更现实评估方法
机器学习
2026-05-18 v4 信号处理
摘要
可靠检测轴承故障对于维持旋转机械的安全性和运行效率至关重要。尽管机器学习（ML），特别是深度学习方面的最新进展在受控环境中展现出强劲性能，但许多研究由于方法学缺陷（最突出的是数据泄露）未能泛化到实际应用中。本文研究了基于振动的轴承故障诊断中的数据泄露问题及其对模型评估的影响。我们证明常见的数据集划分策略，如分段式和基于工况的划分，会引入虚假相关性，从而虚高性能指标。为解决这一问题，我们提出了一种严格的、无泄露的评估方法，以基于轴承的数据划分为核心，确保训练和测试所用物理组件之间无重叠。此外，我们将分类任务重新表述为多标签问题，实现共现故障类型的检测，并使用基于 ROC 曲线的与患病率无关的指标。除了防止泄露，我们还考察了数据集多样性对泛化的影响，表明唯一训练轴承的数量是实现稳健性能的决定性因素。我们在四个广泛使用的数据集上评估了所提方法：CWRU、Paderborn University（PU）、University of Ottawa（UORED-VAFCLS）和 HUST bearing。本研究强调了泄露感知评估协议的重要性，并为数据集划分、模型选择和验证提供了实用指南，促进了工业故障诊断应用中更可信的 ML 系统的发展。
引用
@article{arxiv.2509.22267,
title = {Towards a more realistic evaluation of machine learning models for bearing fault diagnosis},
author = {João Paulo Vieira and Victor Afonso Bauler and Rodrigo Kobashikawa Rosa and Danilo Silva},
journal= {arXiv preprint arXiv:2509.22267},
year = {2026}
}
备注
Revised version submitted to Mechanical Systems and Signal Processing