XiaoMi-AI文件搜索系统
World File Search System滚珠
用于预测滚珠轴承系统的机器学习模型的比较分析
摘要：在工业4.0及以后的时代，球轴承仍然是工业系统的重要组成部分。滚珠轴承的失败会导致工厂停机时间，效率低下的操作和大量的维护费用。尽管常规的预防性维护机制（例如基于时间的维护，常规检查和手动数据分析）提供了一定程度的预防故障，但它们通常是反应性，耗时和不精确的。另一方面，机器学习算法可以尽早检测异常，处理大量数据，几乎实时不断改进，进而大大提高了现代工业系统的效率。在这项工作中，我们比较了不同的机器学习和深度学习技术，以优化滚珠轴承系统的预测维护，这反过来又可以降低停机时间并提高当前和未来的工业系统的效率。为此，我们评估和比较分类算法，例如逻辑回归和支持向量机，以及随机森林和极端梯度提升等集合算法。我们还探索和评估长期记忆，这是一种复发性神经网络。我们根据这些模型的准确性，精度，召回，F1分数和计算要求评估和比较这些模型。我们的比较结果表明，就整体绩效和计算时间而言，极端梯度提升可以提供最佳的权衡。对于2155个振动信号的数据集，极端梯度提升的精度为96.61％，而训练时间仅为0.76 s。此外，在获得大于80％的精度的技术中，极端梯度提升还提供了最佳的准确性与计算时间比率。