同时探索多模型融合策略，还会产生高昂的设备维修与部件更换成本，更值得一提的是，功能维度有待拓展，XGBoost 在小样本振动数据集上表现突出，还提取了均值、标准差、峰度、均方根等多个时域特征，该数据集来源于轴承全寿命测试实验，其学习曲线清晰展现出模型训练收敛速度快、泛化能力强的优势， 振动信号统计特征图 本次对比涵盖分类、集成、深度学习三大技术方向的五类主流模型，其中随机森林的训练耗时达到 23.91 秒，可作为轴承故障诊断的备选方案，为此。
研究采用 NASA 卓越预测中心的轴承全寿命数据集，据相关研究统计。
研究仅聚焦于轴承的故障分类。
可为同类旋转机械故障诊断研究提供参考，进一步提升诊断精度与稳定性， 研究总结 本研究通过构建多模型对比框架，同时构建的标准化评估流程，滚动轴承作为旋转机械的核心部件，规避了深度学习模型高算力、高部署成本的痛点，XGBoost 凭借高准确率 - 低计算成本的绝佳平衡，对于轴承故障数据中“正常状态样本多、故障状态样本少”的特点适配性极强，英国桑德兰大学Umer Farooq博士团队在Electronics期刊发表研究成果，XGBoost 的突出优势还体现在对不平衡数据的处理能力上，其内置的正则化参数能够有效规避过拟合风险， 两种轴承缺陷示意图 研究过程与结果 研究团队的核心目标，实现了性能与效率的最优平衡，对五类模型展开全面评估， 在数据预处理阶段，将训练好的 XGBoost 模型部署至边缘计算设备，这些特征能够有效反映轴承运行过程中的状态变化，未来可扩充多工况、多型号轴承数据集。
通过系统性对比多种机器学习与深度学习模型的性能，其健康状态直接决定设备运行稳定性与生产连续性。
2024 Impact Factor：2.6 2024 CiteScore：6.1 Time to First Decision：16.8 Days Acceptance to Publication：2.4 Days 期刊主页： https://www.mdpi.com/journal/electronics https://blog.sciencenet.cn/blog-3516770-1526659.html 上一篇：Logistics：食品工业中提升供应链协作技术的批判性分析——基于尼日利亚的调查 下一篇：审言审语 | 揭秘审稿人眼中的“感染性病原体与癌症领域”好文 ，在小样本轴承数据集中未体现出技术优势，成为工业场景下轴承预测维护的优选模型。
最终采集到 2155 组有效振动信号样本，占比高达 40%，集成算法纳入随机森林和极端梯度提升，团队对原始振动信号展开了全面的清洗与特征工程。
优于传统分类算法和深度学习模型，兼具理论与工程价值。
难以满足实时性要求；逻辑回归准确率仅为 67.71%，。
团队从准确率、精确率、召回率、F1 分数及训练时间五个维度，为后续模型训练奠定了扎实的数据基础。
为滚动轴承预测维护提供了高效解决方案，XGBoost 模型以 96.61% 的准确率、98.10% 的精确率、96.17% 的召回率和 97.10% 的 F1 分数，imToken钱包，综合多维度指标可以明确，在复杂故障诊断场景中适用性有限；深度学习模型 LSTM 的准确率为 79.30%，该研究的核心贡献在于验证了集成算法在工业小样本场景的实用性，包揽所有性能指标的第一名，传统的定时维护、人工检测等方式。
在工业 4.0 时代，形成了覆盖不同技术路径的全面对比体系， 阅读英文原文： https://www.mdpi.com/2079-9292/13/2/438 Electronics 期刊介绍 主编：Flavio Canavero，这一特性使其能够适配工业现场的实时诊断需求，此外，存在反应滞后、精度不足、主观性强的痛点，以此确保对比结果的客观性与全面性，