39、滚动轴承故障诊断与混合刷式密封的流体 - 结构分析

滚动轴承故障诊断与混合刷式密封的流体 - 结构分析

滚动轴承故障诊断

特征选择与模型优化

在滚动轴承故障诊断中，为了训练机器学习模型，对通过振动测量获得的 4600 个信号应用了三种基于理论的特征提取技术。在特征选择过程中，如果某个特征的排列值显著改变了模型的结果，那么该特征会被赋予较高的重要性。为了提高因特定描述符值排列而导致结果变化的置信区间，会多次执行相同的过程。

选择最重要的变量后，会再次进行最优超参数的网格搜索和交叉验证，以使模型适应新的特征集。以下是不同算法的参数网格和所选参数：
| 算法 | 参数网格 | 所选参数 |
| — | — | — |
| 随机森林 | criterion: gini
max_depth: 7, 9, 11
max_features: 3, auto, log2
min_samples_leaf: 1, 2, 3
min_samples_split: 5, 7
n_estimators: 100, 150, 200, 250, 300
bootstrap: True
class_weight: None | criterion: gini
max_depth: 9
max_features: 3
max_leaf_nodes: None
max_samples: None
min_impurity_decrease: 0.0
min_samples_leaf: 1
min_samples_split: 5
min_weight_fraction_leaf: