轴承故障检测新突破：集成模型三负载下准确率100%，但1000rpm骤降至40.64%！
Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection: Evidence from Laboratory and Variable-Speed Industrial Benchmarks
📖 AI 总结
本文提出一种基于中智集（neutrosophic）分解的集成分类方法，用于轴承故障检测中的不确定性感知。作者将随机森林、XGBoost与逻辑回归的集成模型分解为四个指标：T-hat（最高类证据）、F-hat（最强竞争类证据）、预测熵I1-hat和决策分歧I2-hat，并在CWRU和JNU两个轴承数据集上采用留一工况协议进行评估。结果显示，CWRU数据集上集成模型在四个保留载荷中的三个达到100%准确率，但JNU数据集在保留1000 rpm时准确率骤降至40.64%，低于多数类基线，且逻辑回归（57.91%）泛化能力远优于树集成。I1-hat与误差的关联稳健，而I2-hat贡献有限；独立逻辑回归置信度甚至优于完整分解。此外，融合时域与频域模型并计算其Jensen-Shannon散度优于单一模型熵，是唯一在CWRU与JNU分布偏移对比中表现正确的指标；利用包络谱解调文献验证的故障频率，仅用三个可解释特征即可在CWRU上达到99.57%的分类准确率。研究强调了对不确定性建模的边界条件，并公开代码与数据以供验证。
🔑 关键词速览
| 中智学分解 | 一种将预测不确定性分解为真、假、不确定三个独立分量的方法，用于更细致地描述模型置信度。 |
| T-hat | 表示最高类证据的指标，反映模型对预测类别的支持程度。 |
| F-hat | 表示最佳竞争类证据的指标，反映模型对最可能竞争类别的支持程度。 |
| 预测熵 I1-hat | 衡量预测分布不确定性的熵指标，值越高表示预测越模糊。 |
| 决策分歧 I2-hat | 衡量集成模型中不同基模型之间预测不一致性的指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅