一种面向复杂工程系统的基于扩展区间结构自动信念规则的轴承故障诊断方法

《Scientific Reports》：An extended interval structure automated belief rule-based bearing fault diagnosis method for complex engineering systems

　　

摘要

可靠的轴承故障诊断需要模型在变化的运行条件下保持准确性，同时提供透明的诊断推理。传统的信念规则库（BRB）方法具有可解释性，但存在规则组合爆炸、依赖专家定义规则库以及推理过程不灵活等问题。本研究提出了一种扩展区间结构自动化信念规则库模型（EIBRB-Auto）。首先，使用XGBoost选择了8个具有物理意义的振动特征。然后，通过基于自适应区间合并的规则提取算法（AIM-RE），在四个纯度和可分离性约束下，直接从训练数据构建八维超矩形规则。该过程将1,376个训练样本压缩为156条可解释规则，无需笛卡尔规则组合。在诊断过程中，与提取规则匹配的样本被直接分类，而未匹配的样本则通过证据推理（ER）进行处理。随后，使用P-CMA-ES优化属性权重、规则权重和后果信念度。在交叉负载轴承实验中，使用20 N数据训练和40 N数据测试，EIBRB-Auto达到了97.82%的准确率，并直接分类了72.02%的测试样本。与仅使用ER推理相比，混合机制将总推理时间减少了54.50%，实现了2.20倍的加速，且未降低诊断准确性。在轴承实验中，EIBRB-Auto也优于所比较的BRB变体和传统分类器，并在四个公开基准数据集中的三个上取得了最高准确率。这些结果表明，EIBRB-Auto在诊断性能、推理效率和规则级可解释性之间实现了有效的平衡。