Vibration-based bearing fault classification using classical machine learning models: a comparative study

doi:10.1080/14484846.2026.2639233

Vibration-based bearing fault classification using classical machine learning models: a comparative study

2026-03-01

0

PRE

AI

B

Bhende, Amit R. *

DOI：10.1080/14484846.2026.2639233

原文链接

原文求助

摘要

En 中文

滚动体轴承故障是旋转机械失效的主要来源，使得准确可靠的故障诊断对状态监测和预测性维护至关重要。本研究提出了一种基于监督机器学习（ML）的轴承故障分类框架，利用从振动信号中提取的统计特征。采用了标准预处理技术，包括特征提取、特征标准化和标签编码，以准备模型训练数据。评估了多种分类器，并使用标准评估指标和混淆矩阵分析对其性能进行评估。结果表明，决策树（DT）分类器实现了93.57%的最高分类精度，表明其能强有力地建模振动特征与轴承故障类别之间的非线性关系。k-最近邻（kNN）分类器记录了稍低的92.52%的精度，但实现了98.60%的高AUC，反映了出色的类别可分性和泛化能力。较高的AUC值表明，当振动特征适当缩放时，kNN能有效区分健康与故障轴承状态以及不同故障类别。总体而言，结果指出，虽然基于树的模型提供更高的原始分类精度，但概率和基于距离的方法提供强大的泛化性能和稳健的故障可分性。所提出的方法表现出强大的泛化能力，仅在表现出相似振动特征的某些故障类型之间观察到有限的误分类。特征重要性分析进一步强调了高阶统计特征在区分轴承健康状态中的关键作用。总体而言，研究发现证实了所提出框架在基于振动的轴承故障诊断中的有效性及其在现实世界状态监测系统中的潜在适用性。

Keyword:

Bearing faults

vibration analysis

Logistic Regression

Decision Tree

Gaussian Naive Bayes

k-Nearest Neighbours (kNN)

Vibration-based bearing fault classification using classical machine learning models: a comparative study

摘要

期刊

机构

引用论文