एक संवर्धित मॉडलिंग ढांचा जो बियरिंग दोष अनुकरण और मशीन लर्निंग आधारित पहचान के लिए है जिसके लिए बायेसियन-अनुकूलित हाइपरपैरामीटर ट्यूनिंग किया गया है

सार घूर्णन मशीनरी की स्थिति की निगरानी निरंतर कार्यभार, पहनाव, थकान और हानि के अधीन रोलिंग तत्वों के लिए भविष्यवाणात्मक रखरखाव का एक महत्वपूर्ण उपकरण प्रदान करती है। इस अध्ययन में, बियरिंग दोष अनुकरण और फीचर निकासी के लिए एक संवर्धित गणनात्मक उपकरण का प्रस्ताव किया गया है। एक अनुवर्ती पहचान योजना को हाइपरपैरामीटर के बायेसियन अनुकूलन के माध्यम से लागू किया गया है, जिसमें सपोर्ट वेक्टर क्लासिफायर (SVC), ग्रेडियंट बूस्टिंग (GBoost), रैंडम फॉरेस्ट (RF), एक्सट्रीम ग्रेडियंट बूस्टिंग (XBoost), लाइट ग्रेडियंट बूस्टिंग मशीन (LightGBM), और कैटेगोरिकल बूस्टिंग (CatBoost) शामिल हैं। प्रस्तावित हाइपरपैरामीटर अनुकूलन तकनीक पारंपरिक तरीकों से भिन्न है क्योंकि यह भविष्यवाणात्मक रखरखाव में बेहतर प्रदर्शन के लिए एक अधिक सूचित और कुशल मार्ग प्रदान करती है। मशीन लर्निंग मॉडल के लिए हाइपरपैरामीटर ट्यूनिंग के लिए बायेसियन अनुकूलन का उपयोग करना, जिसे इस क्षेत्र में व्यापक रूप से अन्वेषण नहीं किया गया है, हमारे दृष्टिकोण में महत्वपूर्ण प्रगति दिखाता है। बियरिंग दोषों के सामान्य उदाहरणों जैसे आंतरिक रेस, बाहरी रेस और बॉल दोषों पर विचार किया गया है। विश्लेषण एकत्रित प्रतिक्रिया सिग्नल से सांख्यिकीय और इंजीनियरिंग विशेषताओं के निकासी पर निर्भर करता है, जिसमें कर्टोसिस, रूट मीन्स स्क्वायर, पीक, और रिज फैक्टर शामिल हैं। फीचर चयन और महत्व एल्गोरिदम के आधार पर अत्यधिक प्रभावशाली चर को उजागर किया जाता है, जो बियरिंग दोष वर्गीकरण की अनुमति देता है। हम प्रदर्शित करते हैं कि SVC और LightGBM 97% से अधिक की सटीकता कम गणनात्मक लागत पर पैदा करते हैं। यह दृष्टिकोण इंजीनियरिंग डायग्नोस्टिक्स में समान आवेदन के लिए एक मजबूत और स्केलेबल ढांचा बनाता है।