近日，我校计算机学院彭成副教授，课题组在计算机领域顶级期刊IEEE Transactions on Industrial Informatics上发表学术论文，论文题目为A Multi-Indicator Fusion-Based Approach for Fault Feature Selection and Classification of Rolling Bearings (DOI: 10.1109/TII.2022.3220905)。该期刊由美国电气电子工程师学会（Institute of Electrical and Electronics Engineers，IEEE）主办，是中科院SCI期刊分区工程技术一区Top期刊，影响因子为11.648。
彭成副教授为论文第一作者，硕士研究生欧阳裕尧为第二作者，李长云教授、唐朝晖教授为共同通讯作者。我校为第一通讯单位，中南大学桂卫华院士、唐朝晖教授课题组为合作单位。
该论文针对振动信号容易受到环境噪声影响，当信号中噪声干扰成分较大时，将导致故障特征难以提取、故障诊断的分类准确度降低等问题，提出基于多指标融合的故障特征选择及分类方法。首先将原始信号通过所提互补集成局部均值分解（Complementary Ensemble local mean decomposition, CELMD）方法分解为多个具有物理意义的乘积函数(Product function, PF)和单个残余分量；然后融合峭度、相关系数和Wassterstein距离三个指标选取最适合的PF分量进行信号重构；最后提取重构信号的多域特征和熵值特征，输入LightGBM分类器进行分类，实现滚动轴承故障的智能诊断。该方法能有效筛选出PF分量，而且在不同现场数据集的特征提取和故障识别方面同样具有明显优势，该方法是对现有方法的扩展和深化，有望在设备故障诊断上取得突破。
