Neutrosophic 集成分类模型在中速轴承故障检测中的不确定性评估：实验数据与局限分析

一句话结论

Neutrosophic 分解框架在 JNU 变速数据集上因分布偏移导致准确率暴跌，且单一逻辑回归置信度在边界条件下优于完整分解，显示了通用化瓶颈。

关键要点

• 在 CWRU 数据集上，修正映射错误后，Random Forest、XGBoost 与 Logistic Regression 集成在四个负载条件中三个达到 100.00% 准确率，第四个为 92.27%。
• 在 JNU 数据集留出 1000 rpm 条件下，集成准确率降至 40.64%，低于多数类基准，而 Logistic Regression 达到 57.91%，显著优于树模型。
• 预测熵 I1-hat 与错误率的关联优于 T-hat 和 F-hat，而决策分歧度 I2-hat 贡献有限；在边界条件下，独立 Logistic Regression 置信度表现更佳。
• 融合时域与频域模型并计算 Jensen-Shannon 散度，在标准划分下 AURC 为 0.29，优于模型自身熵的 0.36；在更严格的单条件复现下为 0.54 对 0.73。
• 基于文献验证的轴承故障频率并通过包络谱解调，仅使用三个可解释特征在 CWRU 上实现了 99.57% 的分类准确率。

背景与事实

2026 年 9 月 18 日提交于 arXiv cs.LG 领域的研究论文探讨了机器学习中轴承故障检测分类器的不确定性量化问题。现有方法通常输出标量置信度分数，导致将“自信的预测错误”与“真正模糊的预测”混淆，且传统真值/假值对（F = 1 - T）在代数上是冗余的。该研究操作化了改进的中性子（Neutrosophic）分解框架，将 Random Forest、XGBoost 和 Logistic Regression 的集成模型分解为四个指标：T-hat（最高类证据）、F-hat（最佳竞争者证据）、预测熵 I1-hat 以及决策分歧度 I2-hat。

研究在两个轴承基准数据集 CWRU 和 JNU（转速范围 600-1000 rpm）上采用留一条件（Leave-One-Condition-Out）协议进行评估。在 CWRU 数据集上，研究人员修正了文件到类的映射错误，集成模型在四个留出负载中的三个达到了 100.00% 的准确率，第四个负载的准确率为 92.27%，剩余错误样本过少导致不确定性分析受限。然而，在 JNU 数据集上，当留出 1000 rpm 条件时，集成准确率崩盘至 40.64%，低于多数类基准线；相比之下，Logistic Regression 的准确率为 57.91%，显示其在跨工况泛化能力上远优于树集成模型。指标方面，I1-hat 显示出与错误率的稳健关联，而 I2-hat 贡献甚微。

进一步的实验验证了域适应与可解释性策略。融合同一信号的时域模型和频域模型，并计算其 Jensen-Shannon 散度，在标准划分下取得 AURC 0.29，优于模型自身熵的 0.36；在更困难的单条件复现中，该指标为 0.54 对 0.73。这是唯一在 CWRU 与 JNU 分布偏移对比中正确变动的指标。此外，仅基于 CWRU 数据集，使用文献中验证的轴承故障频率并通过包络谱正确解调，仅利用三个可解释特征即可分离大多数故障类别，准确率达 99.57%。研究代码、日志和图表已发布以供独立验证。

影响分析

对于中文开发者与工业智能化从业者而言，该研究揭示了通用机器学习模型在跨工况（Variable-Speed）场景下的脆弱性。JNU 数据集上 40.64% 的准确率表明，简单的模型集成无法解决分布偏移问题，盲目依赖 Random Forest 或 XGBoost 在变速轴承监测中可能导致灾难性误诊。分析认为，线性模型（如 Logistic Regression）在特征标准化较好的物理信号上可能比复杂非线性树模型更稳健，这一结论挑战了“越复杂模型越好”的默认假设。同时，Jensen-Shannon 散度作为跨域对齐指标的潜力值得关注，它为多传感器融合提供了可量化的不确定性度量标准，有助于构建更可靠的工业预测性维护系统。

适用边界

该结论主要基于实验室基准（CWRU）和特定变速工业基准（JNU），且强调在 1000 rpm 工况下性能崩塌。因此，该结果不适用于转速恒定、工况单一且特征分布未发生显著偏移的场景，也不适用于未做包络解调或非故障频率提取的原始时域信号直接分类场景。此外，100% 准确率的 CWRU 结果存在错误样本过少的统计局限性，不适合作为不确定性量化的鲁棒性证明。

孤本观察

中性子分解框架在 JNU 变速场景下的失效与逻辑回归的相对优势形成了鲜明对比，这表明在物理约束强的工程数据中，可解释的线性特征可能比黑盒集成更具边界稳健性。

来源：arXiv cs.LG