For the management of rotating machines, machine learning (ML) has been researched with the use of feature parameters that have physical and statistical meanings of vibration signals. Genetic algorithm (GA) and principal component analysis (PCA) are the algorithms used for the selection or extraction process of the features; equipment condition. This study proposes a new method to maximize the advantages of the extraction and selection algorithms, thereby improving the fault classification performance. The proposed method is estimated in a variety of equipment conditions by selecting and extracting the effective features for status classification. To evaluate the performance of the fault classification through feature selection and extraction of the ML, a comparative analysis with the proposed method and the original method is also performed. With Lab-scale gearbox, several types of fault tests are conducted, and seven different fault types of equipment conditions, including the normal status, are simulated. The results of the experiments show that, the performance of classification of GA for feature selection is 85%, while PCA for feature extraction is 53%. The performance result of the proposed method for fault classification is 95%, meaning that the performance of fault diagnosis is more efficient in terms of discriminative learning than the original method. Therefore, the proposed method with feature extraction and selection algorithm can improve the fault classification performance by 10% and more for fault diagnosis through ML.

对于旋转机械的管理，已经使用具有振动信号的物理和统计意义的特征参数研究了机器学习（ML）。遗传算法（GA）和主成分分析（PCA）是用于特征选择或提取过程的算法；设备状况。这项研究提出了一种最大化提取和选择算法优势的新方法，从而提高了故障分类的性能。通过选择和提取用于状态分类的有效特征，可以在各种设备条件下对提出的方法进行估算。为了通过特征选择和ML提取来评估故障分类的性能，还对提出的方法和原始方法进行了比较分析。使用实验室规模的变速箱，进行了几种类型的故障测试，并模拟了包括正常状态在内的七种设备状态的不同故障类型。实验结果表明，GA在特征选择中的分类性能为85％，而在特征提取中的PCA为53％。提出的故障分类方法的性能结果为95％，这意味着在判别学习方面，故障诊断的性能比原始方法更有效。因此，提出的具有特征提取和选择算法的方法可以将故障分类的性能提高10％以上，从而通过ML进行故障诊断。被模拟。实验结果表明，GA在特征选择中的分类性能为85％，而在特征提取中的PCA为53％。提出的故障分类方法的性能结果为95％，这意味着在判别学习方面，故障诊断的性能比原始方法更有效。因此，提出的带有特征提取和选择算法的方法可以将故障分类性能提高10％以上，从而可以通过ML进行故障诊断。被模拟。实验结果表明，GA在特征选择中的分类性能为85％，而在特征提取中的PCA为53％。提出的故障分类方法的性能结果为95％，这意味着在判别学习方面，故障诊断的性能比原始方法更有效。因此，提出的具有特征提取和选择算法的方法可以将故障分类的性能提高10％以上，从而通过ML进行故障诊断。这意味着在判别性学习方面，故障诊断的性能比原始方法更有效。因此，提出的带有特征提取和选择算法的方法可以将故障分类性能提高10％以上，从而可以通过ML进行故障诊断。这意味着在判别性学习方面，故障诊断的性能比原始方法更有效。因此，提出的带有特征提取和选择算法的方法可以将故障分类性能提高10％以上，从而可以通过ML进行故障诊断。