33、轴承故障诊断与芒果成熟度分类的机器学习应用

轴承故障诊断与芒果成熟度分类的机器学习应用

1. 轴承故障诊断

1.1 IMS 数据集介绍

在轴承故障诊断的研究中，使用了 IMS 数据集进行实验。该数据集包含三个部分，具体信息如下表所示：
| 数据集 | 文件数量 | 通道数量 | 文件记录间隔（分钟） | 故障描述 |
| ---- | ---- | ---- | ---- | ---- |
| 数据集 1 | 2156 | 8 | 每 10 分钟 | 轴承 3 内圈缺陷，轴承 4 滚动体缺陷 |
| 数据集 2 | 984 | 4 | 每 10 分钟 | 轴承 1 外圈故障 |
| 数据集 3 | 4448 | 4 | 每 10 分钟 | 轴承 2 外圈故障 |

1.2 算法性能分析

研究对仅使用统计特征和同时使用统计与深度学习特征的情况进行了性能分析。
- 仅使用统计特征时，梯度提升算法达到了 96.05% 的最高准确率。
- 同时使用统计和深度学习特征时，LightGBM 算法达到了 96.05% 的最高准确率。

所有算法都通过超参数调整进行了优化，以获得尽可能好的结果。

2. 芒果成熟度分类

2.1 研究背景

科特迪瓦是西非主要的芒果出口国之一，芒果出口对其国内生产总值贡献显著。为了实现利润最大化，农民需要准确评估芒果的成熟度。因此，提出了一种基于卷积神经网络（CNN）的迁移学习系统，用于准确检测芒果的成熟度。

2.2 相关工作

近年来，机器学习和图像处理技术在农业领域取得了突破，一些研究专