Fault diagnosis in rotating machines plays a vital role in various industries. Bearing is the essential element of rotating machines, and early fault detection can reduce the maintenance cost and enhance machine availability. In complex industrial machinery, a single sensor has a limitation to capture complete information about fault conditions. Hence, there is a need to involve multiple sensors to diagnose all possible fault conditions effectively. In such situations, an efficient fusion of information is required to develop a reliable fault diagnosis system. In this work, a feature fusion approach is implemented using two different sensors, that is, a contact type vibration sensor and a non-invasive thermal imaging camera. Hilbert transform is applied to decompose raw vibration and thermal image data, and subsequently, features are extracted and fused into a single feature vector. However, the features are fused in a concatenation manner, but this stage has high dimensionality. Neighborhood component analysis (NCA) is applied to reduce this high dimensionality of the feature vector, followed by a relief algorithm (RA) to compute the relevance level to find the optimal features. Finally, these optimal features are used as an input feature vector to the support vector machine (SVM) to classify the faults. The proposed approach resulted in considerably improved classification accuracy and detection quality than individual sensors. Also, the relevance of the proposed approach is proved by comparing its performance with other prevalent feature fusion techniques.

旋转机械的故障诊断在各行各业中发挥着至关重要的作用。轴承是旋转机器的基本要素，早期故障检测可以降低​​维护成本并提高机器可用性。在复杂的工业机械中，单个传感器在捕获有关故障情况的完整信息方面存在局限性。因此，需要使用多个传感器来有效地诊断所有可能的故障情况。在这种情况下，需要有效的信息融合来开发可靠的故障诊断系统。在这项工作中，使用两种不同的传感器实现了特征融合方法，即接触式振动传感器和非侵入式热成像相机。希尔伯特变换用于分解原始振动和热图像数据，随后，特征被提取并融合成单个特征向量。然而，特征以串联的方式融合，但这个阶段具有高维数。应用邻域分量分析 (NCA) 来降低特征向量的这种高维数，然后使用浮雕算法 (RA) 计算相关级别以找到最佳特征。最后，这些最优特征被用作支持向量机（SVM）的输入特征向量以对故障进行分类。与单个传感器相比，所提出的方法大大提高了分类精度和检测质量。此外，通过将其性能与其他流行的特征融合技术进行比较，证明了所提出方法的相关性。但是这个阶段的维度很高。应用邻域分量分析 (NCA) 来降低特征向量的这种高维数，然后使用浮雕算法 (RA) 计算相关级别以找到最佳特征。最后，这些最优特征被用作支持向量机（SVM）的输入特征向量以对故障进行分类。与单个传感器相比，所提出的方法显着提高了分类精度和检测质量。此外，通过将其性能与其他流行的特征融合技术进行比较，证明了所提出方法的相关性。但是这个阶段的维度很高。应用邻域分量分析 (NCA) 来降低特征向量的这种高维数，然后使用浮雕算法 (RA) 计算相关级别以找到最佳特征。最后，这些最优特征被用作支持向量机（SVM）的输入特征向量以对故障进行分类。与单个传感器相比，所提出的方法大大提高了分类精度和检测质量。此外，通过将其性能与其他流行的特征融合技术进行比较，证明了所提出方法的相关性。然后是救济算法（RA）来计算相关级别以找到最佳特征。最后，这些最优特征被用作支持向量机（SVM）的输入特征向量以对故障进行分类。与单个传感器相比，所提出的方法大大提高了分类精度和检测质量。此外，通过将其性能与其他流行的特征融合技术进行比较，证明了所提出方法的相关性。然后是浮雕算法（RA）来计算相关度以找到最佳特征。最后，这些最优特征被用作支持向量机（SVM）的输入特征向量以对故障进行分类。与单个传感器相比，所提出的方法大大提高了分类精度和检测质量。此外，通过将其性能与其他流行的特征融合技术进行比较，证明了所提出方法的相关性。