본 논문은 진동 신호 분석을 사용하여 롤링 요소 베어링의 기계적 결함을 자동으로 분류하기 위해 숨겨진 마르코프 모델 (HMM)과 방사 기저 함수 신경망 (RBFNN)을 결합한 혁신적인 하이브리드 접근법을 제시합니다. 신호는 결함 진단 연구에서 널리 사용되는 확립된 데이터베이스 (https://engineering.case.edu/bearingdatacenter/welcome)에서 소스됩니다. 원시 신호는 시간, 주파수 및 시간-주파수 도메인 전반에 걸쳐 관련 특성을 추출하기 위해 전처리되며, 여기에는 웨이브렛 패킷 분해가 포함됩니다. 분류의 견고성을 향상시키고 계산 복잡성을 줄이기 위해 주성분 분석 (PCA)을 사용한 차원 축소가 수행되며, 피셔 점수 기반의 특성 선택으로 보완됩니다. HMM은 신호의 시간적 동역학을 포착하도록 훈련되며, RBFNN은 세분화된 분류를 위해 축소된 특성 공간을 활용합니다. 독립적인 HMM 및 RBFNN 모델과 하이브리드 HMM-RBFNN 시스템 내에서의 통합 간의 종합적인 성능 비교가 수행됩니다. 실험 결과는 제안된 하이브리드 방법이 분류 정확도를 상당히 향상시킴을 입증하며, 산업 예측 유지 보수 애플리케이션에 대한 잠재력을 강조합니다.
Sedira et al. (Thu,)은 이 질문을 연구했습니다.