基于中性集理论的轴承故障检测研究：实验室与工业基准测试结果

摘要：本研究提出了一种基于中性集理论（Neutrosophic Theory）的随机森林、XGBoost和逻辑回归集成方法，用于轴承故障检测。该方法将模型输出分解为四个关键指标：顶级类别证据（T-hat）、最佳竞争者证据（F-hat）、预测熵（I1-hat）和决策分歧（I2-hat）。在CWRU和JNU两个轴承基准测试中，该方法在处理不确定性方面表现出色，尤其在CWRU基准测试中实现了近乎完美的分类准确率（100%）。然而，在JNU基准测试中，逻辑回归的表现优于集成方法，揭示了不同方法在不同场景下的适用性。此外，研究还探讨了时域和频域模型融合的潜力，并验证了基于包络谱的故障频率解调方法的有效性。

---

研究背景与动机

轴承故障检测是工业设备维护中的关键环节，传统的机器学习分类器通常生成标量置信度分数，难以有效区分真实的不确定性和错误预测。本研究旨在通过中性集理论（Neutrosophic Theory）改进这一现状，提供更精细的不确定性分析框架。

方法与实现

1. 模型集成：采用随机森林、XGBoost和逻辑回归的集成方法。
2. 中性集分解：将模型输出分解为四个指标：
   • T-hat：顶级类别证据
   • F-hat：最佳竞争者证据
   • I1-hat：预测熵
   • I2-hat：决策分歧
3. 实验设置：在CWRU和JNU轴承基准测试中，采用留一条件协议进行评估。

主要发现

• CWRU基准测试：在修正文件到类别的映射错误后，集成方法在四个留出负载中实现了三个100%的准确率，第四个负载的准确率为92.27%。
• JNU基准测试：在排除1000 rpm条件后，准确率降至40.64%，低于多数类基线。逻辑回归（57.91%）的表现优于树集成方法。
• 不确定性分析：I1-hat与错误之间存在稳健关联，而I2-hat贡献较小。单独的逻辑回归置信度优于完整的中性集分解。
• 其他结果：时域和频域模型的融合以及基于包络谱的故障频率解调方法在特定场景下表现出色。

结论与展望

本研究展示了中性集理论在轴承故障检测中的潜力，特别是在处理不确定性方面。然而，不同方法在不同场景下的表现差异表明，未来的研究应关注方法的适用性和场景适应性。此外，模型融合和信号处理技术的结合也为提升故障检测性能提供了新的方向。

开发者建议

• 模型选择：在处理复杂工业数据时，建议结合多种模型和方法以提升鲁棒性。
• 不确定性分析：重视不确定性指标的应用，特别是在高风险场景中。
• 信号处理技术：结合先进的信号处理技术（如包络谱分析）可以显著提升故障检测性能。

---

消息来源：ArXiv Machine Learning (cs.LG) (2026-10-07)

—— 完 ——

主题标签： #机器学习 关注 #故障检测 关注 #中性集理论 关注 #不确定性分析 关注 #工业AI 关注